Zeitreihenanalyse Differenzenbildung
|
|
- Adam Fuchs
- vor 6 Jahren
- Abrufe
Transkript
1 Zeitreihenanalyse Differenzenbildung Worum geht es in diesem Lernmodul? Einleitung Verfahren der einfachen Differenzenbildung Verfahren der saisonalen Differenzenbildung Kombination einfacher und saisonaler Differenzen Differenzen höherer Ordnung Weiterführende Links Worum geht es in diesem Lernmodul? In diesem Modul werden Sie mit dem Verfahren der Differenzenbildung bekannt gemacht. Dabei wird sowohl auf einfache als auch auf saisonale Differenzen eingegangen. Anhand von Beispielen und Übungen wird der Effekt der Differenzenbildung 1. als auch 2. Ordnung erläutert. Darüber hinaus werden Sie am Beispiel der Arbeitslosenzahlen die Kombination saisonaler und einfacher Differenzen kennen lernen. Einleitung Mit Hilfe der Differenzenbildung kann aus einer Zeitreihe der Trend eliminiert, und es können saisonale Effekte ausgeblendet werden. Mit Hilfe des folgenden Beispiels wollen wir uns dem Thema nähern. Beispiel: Arbeitslosenzahlen in den Nachrichten Die folgende Meldung wurde am in den Nachrichten eines Radiosenders verlesen: "Die Zahl der Arbeitslosen in der BRD ist im September leicht gesunken. Bundesweit sind Menschen arbeitslos, das sind etwa weniger als im Vormonat August aber rund mehr als vor einem Jahr." Die Tabelle zeigt die genannten Zahlen im zeitlichen Zusammenhang: Monat Arbeitslosenzahl September Oktober Page 1
2 November Dezember Januar Februar März April Mai Juni Juli August September In der Radiomeldung wurde zur Beurteilung der Arbeitslosenzahlen eine einfache Differenz gebildet,nämlich die zwischen dem Betrachtungsmonat September und dem Vormonat August, um so den An- oder Abstieg der Arbeitslosigkeit zu bestimmen. Zudem wurde eine saisonale Differenz zum gleichnamigen Monat des vorherigen Jahres gebildet und damit der starken Saisonabhängigkeit der Arbeitslosenzahlen Rechnung getragen. Verfahren der einfachen Differenzenbildung Page 2
3 Vom Verfahren der einfachen Differenzenbildung sprechen wir, wenn für alle Monate der Zeitreihe die Differenz zum jeweiligen Vormonat gebildet wird. Das gleiche gilt analog für Quartalsdaten. Ganz allgemein ist die einfache Differenzenbildung wie folgt definiert: Einfache Differenzenbildung Für die erste Beobachtung der Zeitreihe lässt sich natürlich keine Differenz zu einer vorherigen Beobachtung bilden. Die Zeitreihe der einfachen Differenzen ist daher um eine Beobachtung kürzer als die Ausgangsreihe. Beispiel: Einfache Differenzenbildung: Die Arbeitslosenzahlen von 1980 bis 1986 Wir betrachten zunächst die monatlichen Arbeitslosenzahlen von (Abb. ARBEITSLOSE 2) Abb. ARBEITSLOSE2: monatl. Arbeitslosenzahlen 01/1980 bis 12/1985 Die Zeitreihe weist offensichtlich einen positiven Trend auf. Nach der Bildung der einfachen Differenzen erhalten wir diesen deutlich geänderten Verlauf: Abb.: ERSTE DIFFERENZ Aus der Zeitreihe wird durch die Bildung der einfachen Differenzen der Trend beseitigt, übrig bleiben die Saison- und Restkomponente der Reihe. Beachten Sie die unterschiedliche Skalierung der Plots! Verfahren der saisonalen Differenzenbildung Vom Verfahren der saisonalen Differenzenbildung sprechen wir, wenn für alle Monate der Zeitreihe die Differenz zum gleichnamigen Monat des Vorjahres gebildet wird. Das gleiche gilt auch hier analog für Quartalswerte. Allgemein ist die saisonale Differenzenbildung wie folgt definiert: Saisonale Differenzenbildung Für Monatsdaten mit Periodendauer p = 12 lautet die Formel daher:. Für Quartalsdaten mit p=4 gilt entsprechend:. Für das erste Jahr der Zeitreihe lassen sich natürlich keine Differenzen zum Vorjahr bilden. Die Zeitreihe der saisonalen Differenzen ist daher um ein Jahr, also zwölf Monate oder vier Quartale, kürzer als die Ausgangsreihe. Entfernen Sie die Saisonkomponente aus der Zeitreihe der monatlichen Unfallzahlen durch Bildung saisonaler Differenzen. Labordatei öffnen ( af6.spf ) Kombination einfacher und saisonaler Differenzen Bei Zeitreihen mit Trend und Saison ist es gegebenenfalls erforderlich, beide Arten von Page 3
4 Differenzenbildung zu kombinieren. Ein Beispiel, dass hier näher erläutert werden soll, bezieht sich auf die Ihnen schon bekannten Arbeitslosenzahlen. Beispiel: Arbeitslosenzahlen: Beseitigung von Trend- Saisonkomponente Wir betrachten noch einmal die Zeitreihe der Arbeitslosen in den achtziger Jahren: Abb. ARBEITSLOSE2: monatl. Arbeitslosenzahlen 01/1980 bis 12/1985 Durch die Bildung der einfachen Differenzen erhalten wir die Ihnen schon bekannte Reihe ohne Trendkomponente: Abb. ERSTE DIFFERENZ Wenden wir auf diese trendbereinigte Reihe die Bildung saisonaler Differenzen an, erhalten wir eine um Trend und Saison bereinigte stationäre Reihe, die um Null schwankt (Abb.REST) Abb. REST Beachten Sie auch hier die unterschiedliche Skalierung der Plots! Differenzen höherer Ordnung Bei der einmaligen Anwendung der saisonalen oder einfachen Differenzenbildung auf eine Zeitreihe, spricht man von Differenzen 1. Ordnung. Häufig ist es für ökonomische Zeitreihen ausreichend, Differenzen 1. Ordnung zu bilden, um den Trend oder die Saison zu beseitigen. Ist es jedoch erforderlich die einfache Differenzenbildung zweimal hintereinander auf eine Reihe anzuwenden, spricht man von einfachen Differenzen 2.Ordnung. Einfache Differenzen 2. Ordnung Entsprechend gilt für saisonale Differenzen 2.Ordnung: Saisonale Differenzen 2. Ordnung Die Bildung der Differenzen 2. Ordnung kann erforderlich werden, um den Trend und/oder die Saison aus einer Reihe zu eliminieren und sie so stationär zu machen. Die Stationarität ist häufig die Voraussetzung für die Anwendung weiterführender Analyseverfahren. Entfernen Sie aus der Zeitreihe der jährlichen Stromproduktion in der BRD den Trend durch Differenzenbildung. Labordatei öffnen ( b31.spf ) Weiterführende Links Zeitreihen zum Üben und Ausprobieren: Page 4
5 vergleiche: Chatfield, Christopher (1982). Analyse von Zeitreihen. München, Hanser. Janacek, Gareth (2001). Practical Time Series. London, Arnold. Schlittgen, Rainer (2001). Angewandte Zeitreihenanalyse. München; Wien, Oldenbourg. Schlittgen, R.; Streitberg, B.H.J. (2001). Zeitreihenanalyse. München; Wien, Oldenbourg. (c) Projekt Neue Statistik 2003, Freie Universität Berlin, Center für Digitale Systeme Kontakt: Page 5
Zeitreihenanalyse 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
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
MehrZeitreihenanalyse Der einfache gleitende Durchschnitt
Zeitreihenanalyse Der einfache gleitende Durchschnitt Worum geht es in diesem Lernmodul? Einleitung Erläuterung der Methode Berechnung des einfachen gleitenden Durchschnitts Der einfache gleitende Durchschnitt
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
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
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
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
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
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
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,
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
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
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
MehrIndexrechnung. Worum geht es in diesem Modul?
Indexrechnung Worum geht es in diesem Modul? Verhältniszahlen Messzahlen Indexzahlen Preisindizes Mengen- und Umsatzindizes Worum geht es in diesem Modul? In diesem Modul beschäftigen wir uns mit der Bildung
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
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
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
MehrKapitel 40 Zeitreihen: Autokorrelation und Kreuzkorrelation
Kapitel 40 Zeitreihen: Autokorrelation und Kreuzkorrelation Bei Zeitreihendaten ist häufig das Phänomen zu beobachten, daß die Werte der Zeitreihe zeitverzögert mit sich selbst korreliert sind. Dies bedeutet,
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
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
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
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
MehrAlle Jahre wieder. Arbeitslose in West- und Ostdeutschland - Personen in Mio. Arbeitslose West. Arbeitslose Ost. Nr. 12 /
Nr. 12 / 8.5.1998 Alle Jahre wieder Saisoneffekte in der Arbeitslosigkeit Für 1998 wird zwischen dem größten und kleinsten Saisoneinfluß wieder eine Differenz von 0,6 Mio Personen erwartet q q q Die Entwicklung
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.
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
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
MehrKapitel 39 Sequenzdiagramme
Kapitel 39 Sequenzdiagramme Sequenzdiagramme bilden eine spezielle Form von Liniendiagrammen. Die Besonderheit von Sequenzdiagrammen besteht darin, daß sie stets die einzelnen Werte einer Variablen aus
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
Mehr2. Geschäftsklima, Dezember Verbraucherpreise, November Beschäftigungsentwicklung der NRW- Industrie, Oktober 2015
Wirtschaftsinfo via Extranet An die Geschäftsleitungen 5. Januar 2016 1. Arbeitsmarkt, Dezember 2015 2. Geschäftsklima, Dezember 2015 3. Verbraucherpreise, November 2015 4. Beschäftigungsentwicklung der
MehrArbeit. Spendenkonto: , Bank für Sozialwirtschaft AG (BLZ ) für. Bremer Institut. smarktforschung. berufshilfe e.v.
Spendenkonto: 74 863 00, Bank für Sozialwirtschaft AG (BLZ 251 205 10) Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe e.v. (BIAJ) An Interessierte Knochenhauerstraße 20-25 28195 Von
Mehr13. Übungswoche - Lösungen
1 13. Übungswoche - Lösungen Kapitel 12: Varianzanalyse (Fortsetzung) [ 3 ] a) Es gibt deutliche Unterschiede, die Gruppen 2, 3, 7 und 9 liegen deutlich tiefer. b) F = DQ(gruppe)/DQ(Residuals) = 25.13/6.19
MehrZUR ANWENDBARKEIT VON ZEITREIHENANALYSE AUF DIE MODELLIERUNG DER INANSPRUCHNAHME POSITIVER MINUTENRESERVE
ZUR ANWENDBARKEIT VON ZEITREIHENANALYSE AUF DIE MODELLIERUNG DER INANSPRUCHNAHME POSITIVER MINUTENRESERVE Eva Marie Kurscheid, Dr. Dana Uhlig-Düvelmeyer ABSTRACT Die Bewertung der Eignung dezentraler Klein-KWK-Anlagen
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
Mehr13. Übungswoche. Kapitel 12: Varianzanalyse (Fortsetzung)
1 13. Übungswoche Kapitel 12: Varianzanalyse (Fortsetzung) [ 3 ] Im Vorkurs Mathematik für Wirtschafstwissenschaftler vor Beginn des Sommersemesters 2009 wurde am Anfang und am Ende ein Test geschrieben,
MehrArbeit. Spendenkonto: , Bank für Sozialwirtschaft AG (BLZ ) für. Bremer Institut. smarktforschung. berufshilfe e.v.
Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe e.v. (BIAJ) An Interessierte Knochenhauerstraße 20-25 28195 Bremen Tel. 0421/30 23 80 Von Paul M. Schröder (Verfasser) Fax 0421/30 23 82
MehrArbeit. Spendenkonto: , Bank für Sozialwirtschaft AG (BLZ ) für. Bremer Institut. smarktforschung. berufshilfe e.v.
Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe e.v. (BIAJ) An Interessierte Knochenhauerstraße 20-25 28195 Bremen Von Paul M. Schröder (Verfasser) Tel. 0421/30 23 80 email: institut-arbeit-jugend@t-online.de
MehrArbeit. Spendenkonto: , Bank für Sozialwirtschaft AG (BLZ ) Bremer Institut. für. smarktforschung. und Jugend. berufshilfe e.v.
Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe e.v. (BIAJ) An Interessierte Knochenhauerstraße 20-25 28195 Bremen Von Paul M. Schröder (Verfasser) Tel. 0421/30 23 80 email: institut-arbeit-jugend@t-online.de
MehrArbeit. Spendenkonto: , Bank für Sozialwirtschaft AG (BLZ ) Bremer Institut. für. smarktforschung. und Jugend. berufshilfe e.v.
Spendenkonto: 74 863 00, Bank für Sozialwirtschaft AG (BLZ 251 205 10) Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe e.v. (BIAJ) An Interessierte Knochenhauerstraße 20-25 28195 Von
MehrArbeit. Spendenkonto: , Bank für Sozialwirtschaft AG (BLZ ) für. Bremer Institut. smarktforschung. berufshilfe e.v.
Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe e.v. (BIAJ) An Interessierte Knochenhauerstraße 20-25 28195 Bremen Tel. 0421/30 23 80 Von Paul M. Schröder (Verfasser) Fax 0421/30 23 82
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
MehrAbbildung 1: Meldepflichtige Arbeitsunfälle
Steigende Ausgaben für Prävention Sinkende Arbeitsunfallzahlen: Eine empirische Studie * Dr. P. Kemény, K. Scherer * In Zusammenarbeit mit der Ludwig-Maximilians-Universität München (Lehrstuhl für Ökonometrie,
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
MehrDas multiple lineare Regressionsmodell
Das multiple lineare Regressionsmodell Worum geht es in diesem Lernmodul? Das Modell Schätzen der Koeffizienten Interpretation der Koeffizienten Testen der Koeffizienten Worum geht es in diesem Lernmodul?
MehrWIENER ARBEITSMARKTBERICHT. Juli 2015
WIENER ARBEITSMARKTBERICHT i 2015 Miriam Paprsek 14. ust 2015 er Arbeitsmarktbericht i 2015 Inhalt 1. Aktuelle Trends... 3 2. Unselbstständige Beschäftigung... 4 2.1 Entwicklung der Beschäftigung im Bundesländervergleich...
MehrArbeit. Spendenkonto: , Bank für Sozialwirtschaft AG (BLZ ) Bremer Institut. für. smarktforschung. und Jugend. berufshilfe e.v.
Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe e.v. (BIAJ) An Interessierte Bevenser Straße 5 28329 Von Paul M. Schröder (Verfasser) Tel. 0421/30 23 80 email: institut-arbeit-jugend@t-online.de
MehrArbeit. Spendenkonto: , Bank für Sozialwirtschaft AG (BLZ ) für. Bremer Institut. smarktforschung. berufshilfe e.v.
Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe e.v. (BIAJ) An Interessierte Knochenhauerstraße 20-25 28195 Von Paul M. Schröder (Verfasser) Tel. 0421/30 23 80 email: institut-arbeit-jugend@t-online.de
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
MehrArbeit. Spendenkonto: , Bank für Sozialwirtschaft AG (BLZ ) für. Bremer Institut. smarktforschung. berufshilfe e.v.
Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe e.v. (BIAJ) An Interessierte Knochenhauerstraße 20-25 28195 Bremen Tel. 0421/30 23 80 Von Paul M. Schröder (Verfasser) Fax 0421/30 23 82
MehrArbeit. Spendenkonto: , Bank für Sozialwirtschaft AG (BLZ ) für. Bremer Institut. smarktforschung. berufshilfe e.v.
Spendenkonto: 74 863 00, Bank für Sozialwirtschaft AG (BLZ 251 205 10) Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe e.v. (BIAJ) An Interessierte Knochenhauerstraße 20-25 28195 Von
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
MehrGemeinsame Wahrscheinlichkeitsverteilungen
Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen
MehrArbeit. Spendenkonto: , Bank für Sozialwirtschaft AG (BLZ ) für. Bremer Institut. smarktforschung. berufshilfe e.v.
Spendenkonto: 74 863 00, Bank für Sozialwirtschaft AG (BLZ 251 205 10) Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe e.v. (BIAJ) An Interessierte Knochenhauerstraße 20-25 28195 Bremen
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
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.
MehrArbeit. Spendenkonto: , Bank für Sozialwirtschaft AG (BLZ ) für. Bremer Institut. smarktforschung. berufshilfe.
Spendenkonto: 74 863 00, Bank für Sozialwirtschaft AG (BLZ 251 205 10) Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe (BIAJ) An Interessierte Bevenser Straße 5 28329 Von Paul M. Schröder
MehrVorlesungsskript. Deskriptive Statistik. Prof. Dr. Günter Hellmig
Vorlesungsskript Deskriptive Statistik Prof. Dr. Günter Hellmig Prof. Dr. Günter Hellmig Vorlesungsskript Deskriptive Statistik Erstes Kapitel Die Feingliederung des ersten Kapitels, welches sich mit einigen
MehrApproximationsverfahren
Fakultät Informatik, Institut für Angewandte Informatik, Professur für Technische Informationssysteme Approimationsverfahren zur Überführung nichtäquidistanter Messwertfolgen in äquidistante Zeitreihen
MehrLehr- und Übungsbuch der angewandten Statistik. Von Dr. Bärbel Elpelt und. O. Prof. Dr. Joachim Hartung Fachbereich Statistik der Universität Dortmund
Grundkurs Statistik Lehr- und Übungsbuch der angewandten Statistik Von Dr. Bärbel Elpelt und O. Prof. Dr. Joachim Hartung Fachbereich Statistik der Universität Dortmund Mit ausführlichen Übungs- und Klausurteilen
MehrEnergyDataView. Version 3.1. Benutzerhandbuch für Endkunden
EnergyDataView Version 3.1 Benutzerhandbuch für Endkunden Thüga SmartService GmbH Bereich: EnergyDataView 3.1 Seite 2 von 18 Inhalt 1. Anwendungsbereich 3 1.1 Allgemeines 3 1.2 Systemvoraussetzungen 3
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:
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
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
MehrTourismus: typische Saisonspitze der Beschäftigung im Sommer
Februar März April Mai Juni Juli August September Oktober November Dezember Arbeitskräftepotenzial Im vorliegenden Spezialthema finden Sie eine detaillierte Darstellung eines aktuellen Arbeitsmarktthemas
MehrEin- und Zweistichprobentests
(c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine Voraussetzungen
MehrAuswahl von Schätzfunktionen
Auswahl von Schätzfunktionen Worum geht es in diesem Modul? Überblick zur Punktschätzung Vorüberlegung zur Effizienz Vergleich unserer Schätzer für My unter Normalverteilung Relative Effizienz Einführung
MehrBayerisches Staatsministerium für Arbeit und Soziales, Familie und Integration
Bayerisches Staatsministerium für Arbeit und Soziales, Familie und Integration Arbeitsmarkt Bayern kurz und prägnant () 1. Sozialversicherungspflichtige Beschäftigung / Erwerbstätigkeit Sozialversicherungspflichtige
MehrBayerisches Staatsministerium für Arbeit und Soziales, Familie und Integration
Bayerisches Staatsministerium für Arbeit und Soziales, Familie und Integration Arbeitsmarkt Bayern 1 () 1. Sozialversicherungspflichtige Beschäftigung / Erwerbstätigkeit Sozialversicherungspflichtige Beschäftigung
Mehrdie täglichen Schlusskurse eines börsengehandelten Wertpapiers,
Wirtschaftswissenschaftliches Zentrum 5 Universität Basel Statistik Dr. Thomas Zehrt Zeitreihen Motivation Typische Beispiele für Zeitreihen sind die täglichen Schlusskurse des SMI Nummer 1 2 3 4 5 Datum
MehrDynamische Systeme und Zeitreihenanalyse // Daten 8 p.2/??
Dynamische Systeme und Zeitreihenanalyse Daten Kapitel 8 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Daten 8 p.0/?? Lernziele Datentypen Beobachtungsfrequenzen
MehrArbeitslosigkeit. Ursachen und Gegenmaßnahmen
Wirtschaft Katharina Wrabetz Arbeitslosigkeit. Ursachen und Gegenmaßnahmen Studienarbeit Fachhochschule Ingolstadt University of Applied Sciences Seminararbeit Volkswirtschaftspolitik Arbeitslosigkeit:
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
MehrIntermediate Macroeconomics: Übungsveranstaltung
Ziele der Übungsveranstaltung Umgang mit Daten, insbesondere Zeitreihen Intermediate Macroeconomics: Übungsveranstaltung MS Excel verwenden, einfache Datentransformationen und Berechnungen durchführen
MehrPredictive Analytics in der Praxis - Zeitreihenanalyse mit Oracle R Enterprise
Predictive Analytics in der Praxis - Zeitreihenanalyse mit Oracle R Enterprise Marco Nätlitz areto consulting gmbh Köln Schlüsselworte Predictive Analytics, Time Series Analysis, Oracle R Enterprise, Oracle
MehrDezember 2007 (vorläufig) Siehe dazu Abbildung auf Seite 7! davon. davon (alle)
Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe e.v. (BIAJ) An Interessierte Knochenhauerstraße 20-25 28195 Bremen Von Paul M. Schröder (Verfasser) Tel. 0421/30 23 80 email: institut-arbeit-jugend@t-online.de
MehrModelle und Methoden der Zeitreihenanalyse
Modelle und Methoden der Zeitreihenanalyse Mike Hüftle 31. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1 Einordnung der Zeitreihenanalyse.................. 2 1.2 Darstellung von Zeitreihen......................
MehrBayerisches Staatsministerium für Arbeit und Soziales, Familie und Integration
Bayerisches Staatsministerium für Arbeit und Soziales, Familie und Integration Arbeitsmarkt Bayern 1 () 1. Sozialversicherungspflichtige Beschäftigung / Erwerbstätigkeit Sozialversicherungspflichtige Beschäftigung
MehrSchriftliche Kleine Anfrage
BÜRGERSCHAFT DER FREIEN UND HANSESTADT HAMBURG Drucksache 20/6521 20. Wahlperiode 22.01.13 Schriftliche Kleine Anfrage des Abgeordneten Tim Golke (DIE LINKE) vom 14.01.13 und Antwort des Senats Betr.:
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
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
MehrQUANTITATIVE STATISTICAL METHODS: REGRESSION AND FORECASTING JOHANNES LEDOLTER VIENNA UNIVERSITY OF ECONOMICS AND BUSINESS ADMINISTRATION SPRING 2013
QUANTITATIVE STATISTICAL METHODS: REGRESSION AND FORECASTING JOHANNES LEDOLTER VIENNA UNIVERSITY OF ECONOMICS AND BUSINESS ADMINISTRATION SPRING 2013 ZEITREIHEN 1 Viele Beobachtungen in den Wirtschaftswissenschaften
MehrLaufende Arbeitsmarktbeobachtung. Entwicklung der Arbeitslosenzahlen in der Stadt Trier im ersten Halbjahr 2004 (Januar bis Juni 2004)
Stadt Trier / Amt für Stadtentwicklung und Statistik 2004 Laufende Arbeitsmarktbeobachtung Entwicklung der Arbeitslosenzahlen in der Stadt Trier im ersten Halbjahr 2004 (Januar bis Juni 2004) Zusammenstellung
MehrArbeit smarktforschung und Jugend berufshilfe
Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe (BIAJ) An Interessierte Postfach 10 67 46 28067 Von Paul M. Schröder (Verfasser) Tel. 0421/30 23 80 email institut-arbeit-jugend@t-online.de
MehrMakroökonomie: Übung 1
Makroökonomie: Übung 1 3.5.2010 1 Ziele der Übung Umgang mit Daten MS Excel verwenden Ergebnisse interpretieren Konzepte aus der Vorlesung anwenden 2 Aufgabe 2 Logarithmierte Zeitreihen Einen Ordner auf
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.
MehrKontingenztabellen. Worum geht es in diesem Modul?
Kontingenztabellen Worum geht es in diesem Modul? Die Ausgangssituation Die 2x2 Felder Tafel Randverteilungen in 2x2-Tafeln Bedingte Häufigkeiten in 2x2-Tafeln Die IxJ-Felder Tafel Kontingenztabelle und
MehrKurzinformation. Ermittlung der Jahresdurchschnittswerte Bestand Arbeitslose 2005
Kurzinformation Ermittlung der Jahresdurchschnittswerte Bestand Arbeitslose 2005 Stand: 26.01.2006 Herausgeber: Ansprechpartner: Statistik der Bundesagentur für Arbeit Holger Meinken, Tel. 0911/179-5821
MehrFachtagung Impulse für die aktive Arbeitsmarktförderung
Fachtagung Impulse für die aktive Arbeitsmarktförderung O-Ton Arbeitsmarkt Arbeitsmarktdaten kritisch betrachtet Ziel des Workshops: Wie kann man Arbeitsmarktdaten aus dem umfangreichen Datenschatz der
MehrArbeit. Spendenkonto: , Bank für Sozialwirtschaft AG (BLZ ) für. Bremer Institut. smarktforschung. und Jugend. berufshilfe e.v.
Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe e.v. (BIAJ) An Interessierte Knochenhauerstraße 20-25 28195 Von Paul M. Schröder (Verfasser) Tel. 0421/30 23 80 email: institut-arbeit-jugend@t-online.de
MehrStadtforschung aktuell
Stadtforschung aktuell 05 2013 Stadtentwicklung - Stadtforschung - Statistik - Wahlen 15.02.2013 Arbeitsmarkt Braunschweig im bundesweiten Städtevergleich Dezember 2012 Entwicklung der Arbeitslosenquote
MehrHintergrundinformation
Nürnberg, den 25. Mai 2011 Hintergrundinformation Auswirkungen des Wechsels auf die neue Bezugsgröße 2011 zur Berechnung der Arbeitslosenquote Arbeitslosenquoten zeigen die relative Unterauslastung des
MehrFachgemeinschaft Bau Berlin und Brandenburg e. V.
Fachgemeinschaft Bau Berlin und Brandenburg e. V. 0. Übersicht Beschäftigte (monatlich) Berlin Brandenburg Apr 10 Apr 10 Tätige Beschäftigte inklusive techn./kfm. Angestellter, tätiger Inhaber und Auszubildende
MehrFachgemeinschaft Bau Berlin und Brandenburg e. V.
Fachgemeinschaft Bau Berlin und Brandenburg e. V. 0. Übersicht Berlin Brandenburg Mai 12 Mai 12 Tätige Beschäftigte inklusive techn./kfm. Angestellter, tätiger Inhaber und Auszubildende 19.485 32.249 Beschäftigte
MehrOktober 2007 (vorläufig) Siehe dazu Abbildung auf Seite 7! davon. davon (alle)
Bremer Institut für Arbeit smarktforschung und Jugend berufshilfe e.v. (BIAJ) An Interessierte Knochenhauerstraße 20-25 28195 Bremen Von Paul M. Schröder (Verfasser) Tel. 0421/30 23 80 email: institut-arbeit-jugend@t-online.de
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
Mehr10 ARIMA-Modelle für nicht-stationäre Zeitreihen
10 ARIMA-Modelle für nicht-stationäre Zeitreihen In diesem Abschnitt untersuchen wir einige praktische Aspekte bei der Wahl eines geeigneten Modells für eine beobachtete Zeitreihe X 1,...,X n. Falls die
MehrSBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2
SBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2 1. Teil: Zerlegungsmodelle und naive Prognosemethoden für Zeitreihen Regina Tüchler Department für Statistik & Mathematik Inhalt Einleitung
MehrFachgemeinschaft Bau Berlin und Brandenburg e. V.
Fachgemeinschaft Bau Berlin und Brandenburg e. V. 0. Übersicht Berlin Brandenburg Apr 11 Apr 11 Tätige Beschäftigte inklusive techn./kfm. Angestellter, tätiger Inhaber und Auszubildende 18.876 30.418 Beschäftigte
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
Mehr12.6 Prognosen erstellen
Mit der entstandenen Gruppierung gelingt es Ihnen nun, im Bedarfsfall die Umsatzdaten des Vorjahres auszublenden. Die Prognosen des Folgejahres und die Sparklines bleiben hingegen erhalten. Voraussetzung
MehrStatistik-Klausur vom 25. April 2003
Statistik-Klausur vom 25. April 2003 Bearbeitungszeit: 120 Minuten Aufgabe 1 Performance-Vergleich weltweit angelegter Aktienfonds im Drei-Jahres-Vergleich vom 1.1.1999 bis 31.12.2001 Investmentfonds Astra
Mehr