Was sind Zeitreihen? Software. Literatur. Überblick. Beispiele. Grundbegriffe
|
|
- Philipp Meinhardt
- vor 6 Jahren
- Abrufe
Transkript
1 Kap. 1: Einführung Was sind Zeitreihen? Software Literatur Überblick Beispiele Grundbegriffe
2 1.1 Was sind Zeitreihen? Datentypen in der Ökonometrie: Querschnittsdaten Beispiel: Daten für Haushalte für das Jahr 2008 Zeitreihendaten Beispiel: BIP für die Schweiz über 25 Jahre Paneldaten Beispiele: Daten für Haushalte über 5 Jahre ( Mikropanel ) Daten für 12 Länder über 25 Jahre ( Makropanel ) Mikroökonometrie Analyse von Querschnittsdaten und Mikropanels Makroökonometrie Analyse von Zeitreihendaten und Makropanels C. Kleiber: Analyse ökonomischer Zeitreihen Kap. 1-1 U Basel, FS 2009
3 1.1 Was sind Zeitreihen? Eine Zeitreihe Notation: y t, t = 1,..., T ist jede zeitlich geordnete Folge von Beobachtungen. Man unterscheidet: univariate und multivariate Zeitreihen reguläre (äquidistante) und irreguläre Zeitreihen Zeitreihen in diskreter und in stetiger Zeit Zeitreihenanalyse wird in diversen Fächern betrieben: Wirtschaftswissenschaften, Ingenieurwissenschaften (Elektrotechnik, Hydrologie), Biowissenschaften, Geowissenschaften... Die meisten Daten in Makroökonomie und Finanzwirtschaft sind Zeitreihen. Ziele der Zeitreihenanalyse: Erklärung von y t durch y t 1, y t 2,... Prognose von y T +h gegeben y 1,..., y T C. Kleiber: Analyse ökonomischer Zeitreihen Kap. 1-2 U Basel, FS 2009
4 1.2 Literatur Brockwell, P.J., und Davis, R.A. (2002). Introduction to Time Series and Forecasting, 2nd ed. New York Berlin: Springer. Cochrane, J.H. (2005). Time Series for Macroeconomics and Finance. Lecture Notes, Graduate School of Business, University of Chicago. Franke, J., Härdle, W., und Hafner, C. (2004). Einführung in die Statistik der Finanzmärkte, 2. Auflage. Berlin Heidelberg New York: Springer. Hamilton, J.D. (1994). Time Series Analysis. Princeton: Princeton University Press. Kirchgässner, G. und Wolters, J. (2005). Einführung in die moderne Zeitreihenanalyse. München: Vahlen. Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Berlin Heidelberg New York: Springer. Neusser, K. (2006). Zeitreihenanalyse in den Wirtschaftswissenschaften.Wiesbaden: Teubner. Tsay, R.S. (2005). Analysis of Financial Time Series, 2nd ed. Hoboken, NJ: John Wiley. Weitere Literatur wird in der Vorlesung angegeben. C. Kleiber: Analyse ökonomischer Zeitreihen Kap. 1-3 U Basel, FS 2009
5 1.3 Überblick Einführung ARMA-Prozesse Schätzung, Diagnostik und Ordnungsbestimmung Integrierte und saisonale Modelle ( Instationarität 1 ) Modelle der Volatilität evtl.: Strukturbrüche ( Instationarität 2 ) C. Kleiber: Analyse ökonomischer Zeitreihen Kap. 1-4 U Basel, FS 2009
6 1.3 Überblick Nicht behandelt werden: Zustandsraummodelle und Kalman-Filter Spektraltheorie und Analyse im Frequenzbereich Klassische Prognosemethoden (exponentielles Glätten,... ) Dynamische Regressionsmodelle (autoregressive distributed lag, ADL) multiple Zeitreihen (VARs, Kointegration) C. Kleiber: Analyse ökonomischer Zeitreihen Kap. 1-5 U Basel, FS 2009
7 1.3 Überblick Grundbegriffe: Stationarität vs. Instationarität (Trend-, Differenzenstationarität,...) Analyse im Zeitbereich vs. Analyse im Frequenzbereich ARMA-Prozesse und Erweiterungen (ARIMA, SARIMA, ARFIMA...) Volatilitätsmodelle ( Finance): ARCH/GARCH und Erweiterungen multivariate Zeitreihenmodelle: Vektorautoregressionen (VARs) etc. Warnung: es gibt in der Zeitreihenanalyse viele Schätzmethoden bspw. für ARMA-Modelle OLS (bedingt und unbedingt), ML (bedingt und unbedingt), Yule-Walker... C. Kleiber: Analyse ökonomischer Zeitreihen Kap. 1-6 U Basel, FS 2009
8 1.4 Software Diese Veranstaltung verwendet das Paket R: (aktuelle Version: 2.8.1). Die Grundversion von R enthält bereits diverse Funktionen zur Zeitreihenanalyse: Schätzung und Simulation von ARMA-Prozessen, Berechnung der Autokovarianzfunktion,... Nützliche Zusatzpakete sind: forecast: Prognosen tseries: Zeitreihen- und Finanzökonometrie urca: Einheitswurzeln und Kointegration vars: (strukturelle) Vektorautoregressionen strucchange: Strukturbruchtests Rmetrics: Sammlung von Zusatzpaketen zur Finanzökonometrie (u.a. fseries, fgarch) Ausführlichere Übersicht: CRAN Task View Time Series Analysis C. Kleiber: Analyse ökonomischer Zeitreihen Kap. 1-7 U Basel, FS 2009
9 1.5 Beispiele Wheat Prices (Beveridge) CPI (USA) bev cpi Time Time C. Kleiber: Analyse ökonomischer Zeitreihen Kap. 1-8 U Basel, FS 2009
10 1.5 Beispiele DAX DAX Renditen dax cpi Time Time C. Kleiber: Analyse ökonomischer Zeitreihen Kap. 1-9 U Basel, FS 2009
11 1.5 Beispiele Nile River Minima, AirPassengers NileMin AirPassengers Time Time C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
12 1.5 Beispiele Dutch Advertising radio tv Time C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
13 1.5 Beispiele Pepper Prices white black Time C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
14 1.6 Deskriptive Zeitreihenanalyse Methode 1: Komponentenmodell y t = g t + z t + u t Zeitreihe ist Summe aus glatter, zyklischer und irregulärer Komponente. y t = g t z t u t, lässt sich durch Logarith- Multiplikative Version des Komponentenmodells: mieren in additive Version überführen Beispiele: g t = β 0 + β 1 t β p t p (polynomialer Trend der Ordnung p) g t = e β 0+β 1 t, damit log g t =: β 0 + β 1 t (exponentieller Trend) z t = δ 1 I Q1 (t) + δ 2 I Q2 (t) + δ 3 I Q3 (t) + δ 4 I Q4 (t) ( Saison-Dummies ) Schätze die Parameter mittels OLS. C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
15 1.6 Deskriptive Zeitreihenanalyse Methode 2: Filtern der Zeitreihe, d.h. Anwendung eines Operators {y t } { l j= k a j y t j } Durch geschickte Wahl der Filtergewichte a j lassen sich bestimmte Komponenten (Trend, Saison) bestimmen bzw. eliminieren. Klassisches Gebiet in der ingenieurwissenschaftlichen Zeitreihen-Literatur. Vgl. Brockwell und Davis (2002, Kap. 1) und ökonomischen Literatur zu Saisonbereinigung. Beispiel: (zweiseitiger) gleitender Durchschnitt (der Ordnung q) {y t } { 1 2q + 1 q j= q y t j } d.h. a j = 0, j > q, und a j = 1/(2q + 1), j q. Filter in den Wirtschaftswissenschaften: X11, X12, Hodrick-Prescott, Baxter-King,... Beispiel: AirPassengers, Zerlegung mit R-Funktion decompose() (Es gibt bessere Methoden, siehe Funktion stl().) C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
16 1.6 Deskriptive Zeitreihenanalyse Decomposition of additive time series random seasonal trend observed Time C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
17 1.7 Grundbegriffe Operatoren der Zeitreihenanalyse: Lag-Operator L (auch Backshift-Operator B) Ly t = y t 1 Differenzenoperator := 1 L y t = y t y t 1 saisonaler Differenzenoperator S := 1 L S S y t = y t y t S Beispiele: (a) Finance: Renditen (stetige oder Log-Renditen ) sind log y t = log y t log y t 1 (b) saisonale Differenzen: typische Fälle sind Quartals- bzw. Monatsdaten (S = 4 oder S = 12) C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
18 1.7 Grundbegriffe Algebra der Operatoren: Es kann gerechnet werden wie mit reellen Variablen, bspw. ist analog L k, L k, L 0,.... Ähnlich gilt L 2 y t = L(Ly t ) = Ly t 1 = y t 2 oder einfacher 2 y t = ( y t ) = (y t y t 1 ) = y t y t 1 = y t 2y t 1 + y t 2 2 y t = (1 L) 2 y t = (1 2L + L 2 )y t = y t 2y t 1 + y t 2 Wichtig sind später Polynome im Lag-Operator φ(l) := 1 φ 1 L φ 2 L 2... φ p L p C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
19 1.7 Grundbegriffe Modelliere Zeitreihe als Realisation einer Zufallsvariablen, eines stochastischen Prozesses: Definition 1.1. Ein stochastischer Prozess (SP) {y t } ist eine mit t T indexierte Familie von Zufallsvariablen. Diskrete Zeit: T = N oder T = Z Stetige Zeit: T = [0, ) oder T = R Oft steht Zeitreihe sowohl für die Realisation als auch für das stochastische Modell. Beispiel: stochastischer Prozess gegeben durch y t = ɛ t, ɛ t N (0, σ 2 ɛ ) u.i.v. Aber: typische Zeitreihen sehen abhängig aus. C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
20 1.7 Grundbegriffe Definition 1.2. Sei {y t } ein SP mit Var(y t ) < für alle t. Dann heisst die Funktion µ y (t) = E(y t ) die Mittelwertfunktion und γ y (t, s) = Cov(y t, y s ) = E((y t Ey t )(y s Ey s )), s, t Z die Autokovarianzfunktion von {y t }. Zur Erinnerung: Cov(aX + by + c, Z) = acov(x, Z) + bcov(y, Z) C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
21 1.7 Grundbegriffe Definition 1.3. Ein SP heisst streng stationär, falls (y t1,..., y tn ) l N d = (y t1 +l,..., y tn +l), (t 1,..., t n ) N n und schwach stationär, falls µ y (t) = µ für alle t und γ y (t, s) = γ y (t s, 0) = γ y (h) für alle t, s. Wir betrachten meist schwach stationäre Prozesse. Definition 1.4. Sei {y t } ein stationärer SP. Dann heisst die Funktion ρ y (h) = γ y(h) γ y (0), h Z die Autokorrelationsfunktion (ACF) von {y t }. C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
22 1.7 Grundbegriffe Beispiele: (stationäre Prozesse) (a) Ein Prozess {ɛ t } heisst ein (schwaches) Weisses Rauschen (WR), falls E(ɛ t ) = µ für alle t, Cov(ɛ t, ɛ t h ) = 0 für alle h 0 und Var(ɛ t ) = const. (obda µ = 0) Autokovarianzfunktion ist also γ y (h) = { σ 2, h = 0, 0, sonst. Falls die ɛ t sogar u.i.v., dann starkes Weisses Rauschen. (Wichtig für Theorie und für nichtlineare Modelle, z.b. GARCH-Modelle in Finance.) Weisses Rauschen ist der Grundbaustein für komplexere Zeitreihenmodelle. C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
23 1.7 Grundbegriffe (b) MA(1)-Prozess: y t = ɛ t + θɛ t 1, {ɛ t } W R(0, σ 2 ɛ ). Autokovarianzfunktion ist γ y (h) = (1 + θ 2 )σ 2, h = 0, θσ 2, h = ±1, 0, sonst. Prozess ist also für alle Werte von θ stationär. Da die ACF nach Lag 1 abbricht, sagt man, der Prozess ist schwach abhängig oder er hat kurzes Gedächtnis. Beachte auch, dass ρ y (1) 1/2 (warum?). Es gibt also keinen MA(1)-Prozess mit ρ y (1) = 0.8. C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
24 1.7 Grundbegriffe Beispiele: (instationäre Prozesse) (a) (Random Walk, Irrfahrt) y t = y t 1 + ɛ t = t ɛ j, y 0 = 0, {ɛ t } W R(0, σɛ 2 ) j=1 Dieser Prozess ist instationär (warum?), aber differenzenstationär, denn { y t } = {ɛ t }. Einen solchen Prozess nennt man integriert der Ordnung 1. (b) (Prozess mit Strukturbruch) y t = { x t, t < 1974, x t + c, t 1974 (c 0). C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
25 1.7 Grundbegriffe Satz 1.5. Die Autokovarianzfunktion hat folgende Eigenschaften: (a) γ y (0) 0 (b) γ y (h) γ y (0) (c) γ y (h) = γ y ( h) (d) i,j a iγ y (t i t j )a j 0 für alle n und alle (a 1,..., a n ) und (t 1,..., t n ). Analog gilt für die ACF: Satz 1.6. Die Autokorrelationsfunktion hat folgende Eigenschaften: (a) ρ y (0) = 1 (b) ρ y (h) 1 (c) ρ y (h) = ρ y ( h) (d) i,j a iρ y (t i t j )a j 0 für alle n und alle (a 1,..., a n ) und (t 1,..., t n ). C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
26 1.7 Grundbegriffe Standardmodelle der Zeitreihenanalyse sind: AR(1)-Prozess: y t = φy t 1 + ɛ t MA(1)-Prozess: y t = ɛ t + θ 1 ɛ t 1 AR(p)-Prozess: y t = φ 1 y t φ p y t p + ɛ t MA(q)-Prozess: y t = ɛ t + θ 1 ɛ t θ q ɛ t q ARMA(p, q)-prozess: y t = φ 1 y t φ p y t p + ɛ t + θ 1 ɛ t θ q ɛ t q Dabei jeweils {ɛ t } W R(0, σɛ 2 ). C. Kleiber: Analyse ökonomischer Zeitreihen Kap U Basel, FS 2009
Kap. 12: Regression mit Zeitreihendaten und Prognosemodelle
Kap. 12: Regression mit Zeitreihendaten und Prognosemodelle Motivation Grundbegriffe Autoregressionen (AR-Modelle) Dynamische Regressionsmodelle (ADL-Modelle) Nichstationarität Ausblick 12.1 Motivation
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
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
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
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
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:
MehrAngewandte Ökonometrie Übung. Endogenität, VAR, Stationarität und Fehlerkorrekturmodell
Angewandte Ökonometrie Übung 3 Endogenität, VAR, Stationarität und Fehlerkorrekturmodell Zeitreihenmodelle Zeitreihenmodelle Endogenität Instrumentvariablenschätzung Schätzung eines VARs Tests auf Anzahl
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.
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
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
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
Mehrein stationärer Prozeß (AR(0)). Etwas allgemeiner nimmt man an, daß die d-te Differenz ARMA(p, q) ist, also ist die Differenz
Kapitel 4 Nichtstationäre Zeitreihen 4.1 ARIMA-Modelle Die bisher diskutierten ARMA-Modelle sind bei bei geeigneter Wahl der Parameter stationär, d.h. wenn alle Wurzeln der Gleichung φ(λ 1 )=0betragsmäßig
MehrWirtschaftsmathematik Wirtschaftsstatistik
Wirtschaftsmathematik Wirtschaftsstatistik Ökonometrie ARMA-Prozesse Prof. Dr. Franz Seitz, Weiden / Dr. Benjamin R. Auer, Leipzig Neben den formalen Grundlagen von ARMA-Prozessen (Autoregressive Moving
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
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
Mehr3. Einführung in die Zeitreihenanalyse
3. Einführung in die Zeitreihenanalyse Dr. Johann Burgstaller Finance Department, JKU Linz (Dieser Foliensatz wurde zuletzt aktualisiert am 25. Dezember 2007.) Dr. Johann Burgstaller IK Empirische Kapitalmarktforschung
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
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
MehrFunktionale Formen. Kapitel 7. Ökonometrie I Michael Hauser
1 / 46 Funktionale Formen Kapitel 7 Ökonometrie I Michael Hauser 2 / 46 Inhalt Änderung von Skalen, Messeinheiten Aggregation über die Zeit Univariate, bivariate, multiple, simultane Regressionsmodelle,
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
MehrCrashkurs Mathematik für Ökonomen
Crashkurs Mathematik für Ökonomen Thomas Zörner in Kooperation mit dem VW-Zentrum Wien, Oktober 2014 1 / 12 Outline Über diesen Kurs Einführung Lineare Algebra Analysis Optimierungen Statistik Hausübung
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
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
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrZeitreihenanalyse. Teil III: Nichtlineare Zeitreihenmodelle. Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel. Göttingen, Januar 2008 DAX
Zeitreihenanalyse Teil III: Nichtlineare Zeitreihenmodelle Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel DAX -10-5 0 5 10 0 200 400 600 800 1000 trading day Göttingen, Januar 2008 Inhaltsverzeichnis
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......................
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrÜber die Autoren 9. Widmung von Roberto 9 Danksagung von Roberto 10. Einleitung 21
Inhaltsverzeichnis Über die Autoren 9 Widmung von Roberto 9 Danksagung von Roberto 10 Einleitung 21 Über dieses Buch 21 Törichte Annahmen über den Leser... 22 Symbole, die in diesem Buch verwendet werden
MehrComputerübung 5. Empirische Wirtschaftsforschung. Willi Mutschler. Ökonometrie und Wirtschaftsstatistik Uni Münster. 26.
Computerübung 5 Empirische Wirtschaftsforschung Willi Mutschler Ökonometrie und Wirtschaftsstatistik Uni Münster 26. November 2010 Willi Mutschler (Uni Münster) Computerübung 5 26. November 2010 1 / 11
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrBusiness Forecasting im Dienst der Neutralen Benchmarkprognose
Business Forecasting im Dienst der Neutralen Benchmarkprognose Dr. Oscar A. G. Treyer Senior Lecturer in Accounting, Universität St. Gallen 2 Agenda Ausgangssituation Neutrale Benchmarkprognose Saisonalisierung
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
Mehr1 Einleitung. 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen?
1 Einleitung 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen? Idee der Ökonometrie: Mithilfe von Daten und statistischen Methoden Zusammenhänge zwischen verschiedenen Größen messen. Lehrstuhl
MehrAnalysis und Lineare Algebra mit MuPAD
Analysis und Lineare Algebra mit MuPAD Dehling/Kubach Mögliche Themen für Abschlussprojekte 1 Fourier-Reihen Zu einer integrierbaren Funktion f : [0,2π] R definieren wir die Fourier-Reihe wobei a 0 = 1
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
MehrWas sind Paneldaten? Datenquellen Vor- und Nachteile von Paneldaten Historische Bemerkungen Beispiel Software Literatur Programm
Kap. 1: Einführung Was sind Paneldaten? Datenquellen Vor- und Nachteile von Paneldaten Historische Bemerkungen Beispiel Software Literatur Programm 1.1 Was sind Paneldaten? Aus Arellano (2003, p. 2):...
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
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrSBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2
Inhalt 4. Empirische Momente von Zeitreihendaten 4.1. Autokorrelation, Autokorrelogramm 4.2. Stationarität 5. Empirische Momente in R SBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2 1. Teil:
MehrFormelsammlung für Wirtschaftswissenschaftler
Fred Böker Formelsammlung für Wirtschaftswissenschaftler Mathematik und Statistik PEARSON.. ;. ; ; ; *:;- V f - - ' / > Щ DtUClllirn ein Imprint von Pearson Education München Boston San Francisco Harlow,
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........................
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.
MehrStochastische Prozesse und Zeitreihenmodelle
Kapitel 12 Stochastische Prozesse und reihenmodelle [ Stochastische Prozesse und reihenmodelle ] Einleitung:.com-Blase an der NASDAQ Department of Statistics and Mathematics WU Wien c 2008 Statistik 12
MehrStatistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN
MehrBestandsmanagement. Prognoseverfahren und Lagerhaltungspolitiken
Bestandsmanagement Prognoseverfahren und Lagerhaltungspolitiken Inhalt Bestandsmanagement in Supply Chains Prognoseverfahren Prognose bei regelmäßigem Bedarf Konstantes Bedarfsniveau Trendförmiges Bedarfsniveau
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Anne Neumann 21. Oktober 2015 Anne Neumann EWF 21. Oktober 2015 1 / 9 Inhaltsverzeichnis 1 Grobgliederung 2 Grundlagen Anne Neumann EWF 21. Oktober 2015 2 / 9 Grobgliederung
MehrImputationsverfahren
Minh Ngoc Nguyen Betreuer: Eva Endres München, 09.01.2015 Einführung 2 / 45 Einführung 3 / 45 Imputation Prinzip: fehlende Werte sollen durch möglichst passenden Werte ersetzt werden Vorteil Erzeugen den
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
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
MehrKapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Induktive Statistik Prof. Dr. W.-D.
MehrGemischte Modelle zur Schätzung geoadditiver Regressionsmodelle
Gemischte Modelle zur Schätzung geoadditiver Regressionsmodelle Thomas Kneib & Ludwig Fahrmeir Institut für Statistik, Ludwig-Maximilians-Universität München 1. Regressionsmodelle für geoadditive Daten
MehrAllgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.
MehrInterdisziplinäres Seminar. Multivariate Statistik bei psychologischen Fragestellungen. Markus Bühner und Helmut Küchenhoff WS 2008/09
Interdisziplinäres Seminar Multivariate Statistik bei psychologischen Fragestellungen Markus Bühner und Helmut Küchenhoff WS 2008/09, Homepage: http://www.stat.uni-muenchen.de/~helmut/seminar_0809.html
MehrSeminar zur Zahlentheorie Spezialfälle des Satzes von Fermat
Seminar zur Zahlentheorie Spezialfälle des Satzes von Fermat Vortrag von Kristina Rupp und Benjamin Letschert am 29.01.2008 Inhaltsverzeichnis 13 Speziallfälle des Satzes von Fermat 1 13.1 Der Große Satz
MehrFaktorenanalysen höherer Ordnung
Faktorenanalysen höherer Ordnung 1 Ausgangssituation Übliche Faktorenanalysen (erster Ordnung) gehen von Zusammenhängen zwischen manifesten, beobachteten Variablen aus und führen diese Zusammenhänge auf
Mehr5 Optimale erwartungstreue Schätzer
33 5 Optimale erwartungstreue Schätzer 5.1 Definition Seien X 1,..., X n reelle Zufallsvariablen, T T (X 1,..., X n ) reellwertige Statistik. T heißt linear : c 1,..., c n R mit T n c j X j 5.2 Satz Seien
MehrFORMELSAMMLUNG. Analyse longitudinaler Daten und Zeitreihen WS 2003/04
FORMELSAMMLUNG Analyse longitudinaler Daten und Zeitreihen WS 2003/04 Inhaltsverzeichnis 1 Zeitreihenanalyse 3 1.1 Grundlagen................................ 3 1.1.1 Notation..............................
MehrZeitreihenanalyse. Prof. Dr. Hajo Holzmann Fachbereich Mathematik und Informatik, Universität Marburg. Wintersemester 2008/09 (Stand: 26.
Zeitreihenanalyse Prof. Dr. Hajo Holzmann Fachbereich Mathematik und Informatik, Universität Marburg Wintersemester 2008/09 (Stand: 26. Januar 2009) ii INHALTSVERZEICHNIS Inhaltsverzeichnis 1 Beispiele
MehrInhaltsverzeichnis. 2 Kurzbeschreibung von SPSS Der SPSS-Dateneditor Statistische Analysen mit SPSS DieDaten...
Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R... 3 1.1 Installieren und Starten von R... 3 1.2 R-Befehleausführen... 3 1.3 R-Workspace speichern... 4 1.4 R-History sichern........ 4 1.5
MehrAnalyse von Zeitreihen mit EViews
Prof. Dr. Peter von der Lippe, Uni DUE Campus Duisburg Download G Analyse von Zeitreihen mit EViews Diese Übung zeigt anhand einer (nur einer!!) Zeitreihe, wie man wichtige Methoden der Zeitreihenanalyse
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
MehrAdaptive Systeme. Sommersemester Prof. Dr. -Ing. Heinz-Georg Fehn. Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Sommersemester 2015 Prof. Dr. -Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Prof. Dr. H.-G. Fehn und Prof. Dr. N. Wulff 1 Adaptive Systeme Adaptives System: ein System, das
MehrFinanzmarktökonometrie:
Dr. Walter Sanddorf-Köhle Statistik und Ökonometrie Rechts- und Wirtschaftswissenschaftliche Fakultät UNIVERSITÄT DES SAARLANDES Statistik und Ökonometrie Sommersemester 2013 Finanzmarktökonometrie: Einführung
MehrElementare Wahrscheinlichkeitsrechnung
Johann Pfanzagl Elementare Wahrscheinlichkeitsrechnung 2., überarbeitete und erweiterte Auflage W DE G Walter de Gruyter Berlin New York 1991 Inhaltsverzeichnis 1. Zufallsexperimente und Wahrscheinlichkeit
MehrEinführung in die Wahrscheinlichkeitstheorie und Statistik
Einführung in die Wahrscheinlichkeitstheorie und Statistik Dr. C.J. Luchsinger 9 Crash-Course in Statistics IV: Zeitreihenanalyse (MA, AR und ARMA) Literatur Kapitel 9 auf www.math-jobs.com/timeseriesanalysis.html
MehrSeminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung
M.Sc. Brice Hakwa hakwa@uni-wuppertal.de Seminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung - Zusammenfassung zum Thema: Berechnung von Value-at-Risk
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
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
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.
MehrZeitreihenanalyse mit R
Zeitreihenanalyse mit R Matti Schneider, Sebastian Mentemeier SS 2010 Inhaltsverzeichnis 1 Klassische Zeitreihenanalyse 4 1.1 Einführung...................................... 4 1.1.1 Das klassische Komponentenmodell.....................
MehrDie Entwicklung der Arbeitslosenquote
Die Entwicklung der Arbeitslosenquote Ein langfristiger Vergleich zwischen Deutschland und den USA 14 Gebhard Flaig Es ist äußerst interessant, die Entwicklung der deutschen Arbeitslosenquote seit Beginn
MehrSignale und Systeme Reaktion linearer Systeme auf stationäre stochastische Signale
Signale und Systeme Reaktion linearer Systeme auf stationäre stochastische Signale Gerhard Schmidt Christian-Albrechts-Universität zu Kiel Technische Faculty of Engineering Fakultät Elektrotechnik Institute
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS 2., überarbeitete Auflage 4ü Springer Gabler Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R '! 3 1.1 Installieren
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
MehrStatistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt 6 Gerhard Tutz, Jan Ulbricht WS 05/06.
Statistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt Gerhard Tutz, Jan Ulbricht WS 05/0 Lösung Aufgabe 4 Notation: X: Rauchen, Y : chronische Bronchitis S X {ja, nein} {a 1, a },
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
MehrSeminarvortrag. Euler-Approximation. Marian Verkely TU Dortmund
Seminarvortrag Euler-Approximation Marian Verkely TU Dortmund 03.12.14 1 / 33 Inhaltsverzeichnis 1 Motivation 2 Simulierte Prozesse 3 Euler-Approximation 4 Vasicek-Prozess: Vergleich analytische Lösung
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
MehrEinführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging
Mehrf f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.
Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales
Mehr1 Inhaltsverzeichnis. 1 Einführung...1
1 Inhaltsverzeichnis 1 Einführung...1 1.1 Arten der stochastischen Abhängigkeit...2 1.2 Wo kommen regressive Abhängigkeiten vor?...3 1.3 Hauptaufgaben von Regressionsmodellen...3 1.4 Wissenschaftstheoretische
MehrErste Schritte mit R. 2.1 Herunterladen der freien Software R
Erste Schritte mit R 2 BevorwirunsmitdeninKap.1 eingeführten Fragestellungen beschäftigen, brauchen wir noch ein Werkzeug, um die Datensätze später wirklich auswerten zu können. Sicher lässt sich das in
MehrDynamische Systeme eine Einführung
Dynamische Systeme eine Einführung Seminar für Lehramtstudierende: Mathematische Modelle Wintersemester 2010/11 Dynamische Systeme eine Einführung 1. Existenz und Eindeutigkeit von Lösungen 2. Flüsse,
MehrAnalyse von Querschnittsdaten. Spezifikation der unabhängigen Variablen
Analyse von Querschnittsdaten Spezifikation der unabhängigen Variablen Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 3.0.004 0.0.004
MehrZeitreihenanalyse mit EViews Klassische Zeitreihenanalyse. 4.1 Empirisches Autokorrelogramm. 4.2 Exponentielle Glättungsverfahren
Zeitreihenanalyse mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 28. April 2005, Redaktion: Wagner 4 Klassische Zeitreihenanalyse
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
MehrSeminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt;
Seminar über aktuelle Forschungsthemen in der Algorithmik, Dozent Prof. Dr. Alt Referent Matthias Rost 1 Einleitung Definitionen Maximaler Dynamischer Fluss Algorithmus von Ford-Fulkerson Techniken zur
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrIBM SPSS Forecasting 20
IBM SPSS Forecasting 20 Hinweis: Lesen Sie zunächst die allgemeinen Informationen unter Hinweise auf S. 118, bevor Sie dieses Informationsmaterial sowie das zugehörige Produkt verwenden. Diese Ausgabe
MehrRuprecht-Karls-Universität Heidelberg
Ruprecht-Karls-Universität Heidelberg Fakultät für Verhaltens- und Empirische Kulturwissenschaften Kointegration in Theorie und Praxis: Statistische Analyse gemeinsamer Entwicklungstrends in psychologischen
MehrInhaltsverzeichnis. Teil I Einführung
Inhaltsverzeichnis Teil I Einführung 1 Statistik-Programme... 1.1 Kleine Einführung in R... 1.1.1 Installieren und Starten von R. 1.1.2 R-Konsole... 1.1.3 R-Workspace... 1.1.4 R-History... 1.1.5 R-Skripteditor...
Mehr2 Anwendungen und Probleme
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor 2 Anwendungen
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrQualifizierungsprogramm Ökonometrie
Weiterbildung am ZEW Foto: digitalstock Qualifizierungsprogramm Ökonometrie Basistechniken Finanzmarkt-Ökonometrie: Modellierung von Zinsen und Aktienkursen Panelökonometrie Weitere Informationen: kompetenz
MehrA First Course on Time Series Analysis with SAS - Ein Open-Source Projekt
Lehre A First Course on Time Series Analysis with SAS - Ein Open-Source Projekt Michael Falk Frank Marohn Lehrstuhl für Statistik, Universität Würzburg Lehrstuhl für Statistik, Universität Würzburg Am
MehrZeitreihenanalyse. H.P. Nachtnebel. Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau
Zeitreihenanalyse H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Ziel Aus der statistischen Analyse von Beobachtungen in der Zeit (Zeitreihen) lassen sich kennzeichnende
Mehr