Hauptseminar Technische Informationssysteme
|
|
- Barbara Kaufer
- vor 7 Jahren
- Abrufe
Transkript
1 Hauptseminar Technische Informationssysteme Thema: Vergleich verschiedener Prognosestrategien von Tobias Fochtmann Betreuer: Dr. Ribbecke
2 Gliederung I. Einleitung II. Prognose allgemein und am Beispiel A. Trendschätzung durch Wachstumsfunktionen B. Trendextrapolation C. Trend- und Saisonbereinigung D. ARIMA-Prognose III. Bewertung und Vergleich A. Bewertung der Modelle B. Zusammenfassung
3 I.Einleitung Erläuterung des Themas: Vorstellung verschiedener Prognoseverfahren Vergleich verschiedener Prognoseverfahren an einer Zeitreihe eher untypisch, da Modell das entsprechende Verfahren bedingt Grundbegriffe: stationär: konstanter Mittelwert Zeitreihe: zeitabhängige Folge von Datenpunkten (hier nur äquidistant) AR(p)-Modell (autoregressives Modell): Linearkombination aus p vorangegangenen Werten [Y t = α 0 + α 1 Y t α p Y t-p ] MA(q)-Modell (moving average Modell): Linearkombination aus q vorangegangenen Störungen [Y t =ε t - β 1 ε t β q ε t-q ] ARMA(p,q) Verknüpfung von AR und MA ARIMA(p,d,q) für integrierende Prozesse; d-te Differenzbildung, zur Beseitigung der Instationarität
4 I.Einleitung von der Zeitreihe zur Prognose y k Struktur- Parameter- ŷ k ŷ k+h schätzung schätzung Prognose h-prognosehorizont Modell AR,MA, ARIMA, Trend, Saison,.. s E = N-1 (y k ŷ k )²=min k=0!
5 II.Prognose allgemein und am Beispiel II.Prognose allgemein und am Beispiel 4 ausgewählte Prognoseverfahren Beispiel Zeitreihe: Verbraucherpreisindex Nahrung ( ) misst die durchschnittliche Preisentwicklung aller Waren und Dienstleistungen, die von privaten Haushalten für Konsumzwecke gekauft werden VPI_Nahr
6 II.Prognose allgemein und am Beispiel>> A.Trendschätzung durch Wachstumsfunktionen A.Trendschätzung durch Wachstumsfunktionen Logistische Funktion (Mitscherlich-, Gompertzfunktion) nach oben und unten beschränkte Funktionen y k ŷ k = 1 / ( 1 + exp(-(k+1)t)) konkrete Funktion Prognose einfach y k ŷ k = stationärer Rest Anwendung auf VPI_Nahr nicht sinnvoll!
7 II.Prognose allgemein und am Beispiel>> B.Trendextrapolation B.Trendextrapolation finden einer passenden Funktion verlängern der Trendlinie ergibt Prognosewerte Man unterscheidet: lineare parabolische und exponentielle... Trends Prognoseanforderung prüfen
8 II.Prognose allgemein und am Beispiel>> B.Trendextrapolation 109, VIP_Nahr
9 II.Prognose allgemein und am Beispiel>> C.Trend- und Saisonbereinigung C.Trend- und Saisonbereinigung Komponentenmodell Y t = T t + S t + R t T t Trend entfernen S t Saisonaler Anteil R t Rest (Schwankung, Störung) Idealfall: R t White Noise Prozess mit R t ~ N(0,σ R ²) Prognose: Y t+1 = T t+1 + S t
10 II.Prognose allgemein und am Beispiel>> C.Trend- und Saisonbereinigung Komponentenzerlegung mit BV
11 II.Prognose allgemein und am Beispiel>> C.Trend- und Saisonbereinigung Komponentenzerlegung mit BV
12 II.Prognose allgemein und am Beispiel>> C.Trend- und Saisonbereinigung Komponentenzerlegung mit BV
13 II.Prognose allgemein und am Beispiel>> C.Trend- und Saisonbereinigung Komponentenzerlegung mit BV
14 II.Prognose allgemein und am Beispiel>> C.Trend- und Saisonbereinigung Komponentenzerlegung mit BV
15 II.Prognose allgemein und am Beispiel>> C.Trend- und Saisonbereinigung Komponentenzerlegung mit BV
16 II.Prognose allgemein und am Beispiel>> D. ARIMA Prognose D. ARIMA Prognose wie kommt man zum ARIMA Modell? betrachten der ACF und PACF ACF PACF AR(p) klingt ab bricht nach dem Lag p ab MA(q) bricht nach dem Lag q ab klingt ab ARMA(p,q) klingt ab klingt ab typische ACF eines integrierenden ARMA Prozesses (ARIMA)
17 II.Prognose allgemein und am Beispiel>> D. ARIMA Prognose zur Prognose: optimale Prognose wird erreicht, wenn für h=2,3,... die Fortsetzung der Prognose unter dem ermittelten Wert für h=1 rekursiv stattfindet bei Unterstellung einer Normalverteilung kann man Prognoseintervalle angeben z.bsp. Prognose +5% und -5%
18 II.Prognose allgemein und am Beispiel>> D. ARIMA Prognose VPI_Nahr Autokorrelationsfunktion
19 II.Prognose allgemein und am Beispiel>> D. ARIMA Prognose VPI_Nahr partielle Autokorrelationsfunktion
20 II.Prognose allgemein und am Beispiel>> D. ARIMA Prognose ACF und PACF lassen auf ARIMA schließen - ARIMA(5,1,5) Modell
21 II.Prognose allgemein und am Beispiel>> D. ARIMA Prognose ARIMA Prognose mit Hilfe von JMulti
22 III. Bewertung und Vergleich>>A.Bewertung der Modelle linearer Trend Residuenplot Standardabweichung: B =1,59 Varianz: ² B =2,
23 III. Bewertung und Vergleich>>A.Bewertung der Modelle Komponentenmodell Residuenplot Standardabweichung: C =0,55 Varianz: ² C =0,
24 III. Bewertung und Vergleich>>A.Bewertung der Modelle ARIMA Residuenplot Standardabweichung: D =0,53 Varianz: ² D =0,
25 III. Bewertung und Vergleich>>B.Zusammenfassung Standardabweichung: i Varianz: ² i Aufwand* linear 1,59 2,53 ++ Komponentenmod. 0,55 0,30 - ARIMA 0,53 0,28 -- Bewertung: Komponentenmodell nahezu gleiche Standardabweichung einfacher nachzuvollziehen linearer Trend zu grob *mit den zur Verfügung stehenden Mitteln
26 III. Bewertung und Vergleich>>B.Zusammenfassung
27 Quellen Quellen: [1] Angewandte Zeitreihenanalyse Dr. Schlittgen [2] Mitschrift Quantitative Methoden der Signalanalyse Dr. Ribbecke [3] Prognoseverfahren Dr. Rudolph, Universität der Bundeswehr München [4] Wikipedia
28 Ende Vielen Dank für Ihre Aufmerksamkeit!
7. 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
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
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
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 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
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
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
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
MehrKompaktskript zur Vorlesung Prognoseverfahren
Kompaktskript zur Vorlesung Prognoseverfahren Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
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:
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
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
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
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:...................................................................
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
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
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
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
MehrEinführung und Verarbeitung
Programmierung in R Betreuer: Dr. Julian Kunkel Isabella Tran Einführung und Verarbeitung von Zeitserien Agenda Einführung Arbeitsphasen bei Zeitreihenanalysen Programmierung in R ARIMA Modell Einführung
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
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
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-
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
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
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
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
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...
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
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
MehrStochastische Prozesse in der Zeitreihenanalyse
Stochastische in der Zeitreihenanalyse Mike Hüftle 31. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1 Stochastische und Zeitreihenanalyse........... 2 1.2 Zeitreihenanalyse...........................
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
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
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
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
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
MehrZeitreihenanalyse. 1 Einleitung. 2 Autoregressive Prozesse, lineare Differenzengleichungen
Zeitreihenanalyse Enno MAMMEN Department of Economics, University of Mannheim L7, 3-5, 68131 Mannheim, Germany E mail: emammen@rumms.uni-mannheim.de February 22, 2006 1 Einleitung Klassisches Komponentenmodell,
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
Mehr11. 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.
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
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
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 /
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
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:
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
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
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
MehrTrend, Zyklus und Zufall
Rainer Metz Trend, Zyklus und Zufall Bestimmungsgründe und Verlaufsformen langfristiger Wachstumsschwankungen Franz Steiner Verlag INHALTSVERZEICHNIS Vorwort Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis
MehrBeschreibende Statistik
Beschreibende Statistik von Dr. Peter M. Schulze Professor für Statistik und Ökonometrie an der Johannes Gutenberg-Universität Mainz 6., korrigierte und aktualisierte Auflage R.Oldenbourg Verlag München
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
MehrPsychopathologische Prozesse und psychologische Intervention B
Psychopathologische Prozesse und psychologische Intervention B ARMA-Modellierung Lineare stochastische Zeitreihenmodelle Prof. Dr. Wolfgang Tschacher Universität Bern Beispiele stochastischer Prozess z
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
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
MehrMA Projekt: Langfristige Kapitalmarktsimulation
MA Projekt: Langfristige Kapitalmarktsimulation Einführung in die Zeitreihenanalyse Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen
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
MehrApproximationsverfahren
Fakultät Informatik, Institut für Angewandte Informatik, Professur für Technische Informationssysteme Approimationsverfahren zur Überführung nichtäquidistanter Messwertfolgen in äquidistante Zeitreihen
Mehr14.1 Neuronale Netze. 14 Neuronale Netze. Neuronale Netze
14 Neuronale Netze 14.1 Übersicht 14.1 Neuronale Netze Neuronale Netze 14 Neuronale Netze Die Folien zu Neur(on)alen Netzen sind angelehnt an zwei Literaturstellen: Cross, S.S., Harrison, R.F., Kennedy,
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
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
MehrÜbung 1: Mathematische und statistische Grundlagen
Lehrstuhl für BWL, insb. Mathematik und Statistik Übung 1: Mathematische und statistische Grundlagen Berechnen Sie die Schiefe und Kurtosis folgender Zufallsvariablen: a) X besitzt die Dichte { 2x für
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
MehrKlimawandel und Starkregenverhalten Quantitative Einschätzung für das Stadtgebiet Hagen
Klimawandel und Starkregenverhalten Quantitative Einschätzung für das Stadtgebiet Hagen Im Auftrag der Stadtentwässerung Hagen SEH Aachen, 18. September 2008 Aufgabenstellung Starkregenauswertung (um 5
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
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
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
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
Mehracf(y) pacf(y) Series y Series y Index ACF Lag Partial ACF Lag
Aufgabe 47: Parameterschätzung und Modellwahl im ARMA-Modell (Software) Analysieren Sie die in der Datei aufgabe47.txt gegebene Zeitreihe (y t ), t = 1,..., 100. Nehmen Sie an, dass diese Realisation eines
MehrFachhochschule Aachen, Abteilung Jülich Seminararbeit Thema: Prognose von Zeitreihen
Fachhochschule Aachen, Abteilung Jülich Seminararbeit Thema: Prognose von Zeitreihen Vorgelegt von: Hans Nübel Matrikel-Nr.: 827052 Studiengang: Scientific Programming Datum: 14.12.2010 1. Betreuer: Prof.
MehrZiel der linearen Regression
Regression 1 Ziel der linearen Regression Bei der linearen Regression wird untersucht, in welcher Weise eine abhängige metrische Variable durch eine oder mehrere unabhängige metrische Variablen durch eine
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
MehrSCHRIFTEN DER GESELLSCHAFT FÜR WIRTSCHAFTS- UND SOZIALWISSENSCHAFTEN DES LANDBAUES E.V.
SCHRIFTEN DER GESELLSCHAFT FÜR WIRTSCHAFTS- UND SOZIALWISSENSCHAFTEN DES LANDBAUES E.V. Salamon, P.: Vergleich verschiedener Verfahren der Zeitreihenanalyse anhand der Prognoseleistung. In: Hanf, C.-H.,
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
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
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,
Mehr5 Statistische Methoden im Frequenzbereich
5 Statistische Methoden im Frequenzbereich 5.1 Das Periodogramm Periodizitäten in Zeitreihen Der Datensatz enthält die in DE monatlich gezahlten Gemeinschatssteuern in Mio. Euro, Jan. 1994 Jan. 2000. 5.1
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
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
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
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
MehrRisikoneutrale Unternehmensbewertung und Multiplikatoren
Andre Kelleners Risikoneutrale Unternehmensbewertung und Multiplikatoren Mit einem Geleitwort von Prof. Dr. Frank Richter Deutscher Universitats-Verlag Inhaltsverzeichnis Inhaltsiibersicht Inhaltsverzeichnis
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/??
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
MehrNeuronale Netze zur Prognose und Disposition im Handel
Sven F. Crone Neuronale Netze zur Prognose und Disposition im Handel Mit einem Geleitwort von Prof. Dr. Dr. h. c. Dieter B. Preßmar GABLER RESEARCH Inhalt XI Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis
MehrEine zeitreihenanalytische Untersuchung der Industrieproduktion in Deutschland
Eine zeitreihenanalytische Untersuchung der Industrieproduktion in Deutschland Klaus Neusser 2. Dezember 2010 Zusammenfassung Ziel dieses Beitrags ist es, den fortgeschrittenen Studierenden eine Einführung
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
MehrDynamische Systeme und Zeitreihenanalyse // Autoregressive moving average Modelle 12 p.2/??
Dynamische Systeme und Zeitreihenanalyse Autoregressive moving average Modelle Kapitel 12 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Autoregressive moving
MehrThema:ARMA-Prozesse. Johannes Blank 8. Juni 2010
Thema:ARMA-Prozesse Johannes Blank 8. Juni 2010 Abstract Zeitreihen, also stoch. Prozesse mit Indexmenge Z, spielen in der Ökonometrie (der mathematisch formalisierte Teil der Wirtschaftswissenschaften)
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002 1. Ein Chemiestudent hat ein Set von 10 Gefäßen vor sich stehen, von denen vier mit Salpetersäure Stoff A), vier mit Glyzerin Stoff
Mehrunivariate/multivariate Zeitreihenanalyse
univariate/multivariate Zeitreihenanalyse lineare Verfahren - statistische Momente - Fourier Transformation - Hilbert Transformation - Wavelet Transformation - Auto- / Kreuzkorrelationsfunktion - ARMA-Modelle
MehrZeitreihenanalyse Differenzenbildung
Zeitreihenanalyse Differenzenbildung Worum geht es in diesem Lernmodul? Einleitung Verfahren der einfachen Differenzenbildung Verfahren der saisonalen Differenzenbildung Kombination einfacher und saisonaler
MehrDynamische Modelle: Stabilität und Interpretation
1 / 25 Dynamische Modelle: Stabilität und Interpretation Kapitel 17 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 25 Inhalt Kurz- und langfristige Effekte Einmalige Änderung in X Permanente
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
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
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
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
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
Mehr