QUANTITATIVE STATISTICAL METHODS: REGRESSION AND FORECASTING JOHANNES LEDOLTER VIENNA UNIVERSITY OF ECONOMICS AND BUSINESS ADMINISTRATION SPRING 2013
|
|
- Bertold Richter
- vor 8 Jahren
- Abrufe
Transkript
1 QUANTITATIVE STATISTICAL METHODS: REGRESSION AND FORECASTING JOHANNES LEDOLTER VIENNA UNIVERSITY OF ECONOMICS AND BUSINESS ADMINISTRATION SPRING 2013 ZEITREIHEN 1 Viele Beobachtungen in den Wirtschaftswissenschaften werden in Form von Zeitreihen erhoben. Beispiele: Tägliche Beobachtungen von Aktienkursen: Lenzing AG Monatliche Verkaufszahlen: Ersatzteile. Umsatz einer Wiener Buchhandlung Arbeitslosenrate/Beschäftigung: US Arbeitslosenrate Quartalsdaten von Wirtschaftsindikatoren Jährliche Daten von Geburten, Erstinskribanten, Einkommen: Abschlüsse an der WU. Insgesamt. Prozent der Männer. Fragestellungen bei Zeitreihen: Fragestellung 1: Beschreibung des Trendes. Trendkomponenten. Gibt es eine Zunahme/Abnahme? Ist der Trend stabil, oder ändert sich der Trend über die Zeit? Fragestellung 2: Beschreibung der Saisonalität (Saisonmuster) 1 Copyright: Johannes Ledolter,
2 Bei Daten wie Arbeitslosenrate, Beschäftigung, Verkaufsdaten (Weihnachtsgeschäft; Badehosen im Sommer; Skis im Winter). Aussagen über den Trend sollte von der Saisonalität nicht beeinflusst werden. Deshalb Saisonbereinigung (Seasonal Adjustment). Fragestellung 3: Vorhersagen (Prognosen; Forecasting). Wie geht es weiter? In der nächsten Periode? In den nächsten sechs (zwölf) Perioden? Vorhersagen und Vorhersageintervalle. Zeitreihe von Beobachtungen: Daten werden zu periodischen Zeitpunkten (Monat, Quartal, Jahr) erhoben. Beobachtungen: y 1, y 2,..., y t-1, y t, y t+1..., y n Zeitindex t; Anzahl der Beobachtungen n Grafische Zeitreihen Darstellung (time series plots): Siehe Beispiele: Streudiagramm der Beobachtungen (y) vs. Zeit (x), mit Verbindung von aufeinander folgenden Beobachtungen Vorhersagen (allgemein): y 1, y 2,..., y n y n+1, y n+2,..., y n+r historische Daten zukünftige Beobachtungen y n (r) y n (r) ± c Vorhersage für künftige Beobachtung y n+r (95%) Vorhersageintervall für y n+r n: Vorhersage Zeitpunkt r: Vorhersage Horizont 2
3 Beipiele: y 2003/9 (3): Vorhersage für 2003/12 (Dez 2003), auf Basis der Beobachtungen bis (einschliesslich) 2003/9. Vorhersage drei Perioden voraus. Vorhersagen für Oktober 2003: y 2003/8 (2): Vorhersage für 2003/10 (Okt 2003), auf Basis der Beobachtungen bis (einschliesslich) 2003/8. Vorhersage zwei Perioden voraus. y 2003/9 (1): Vorhersage für 2003/10 (Okt 2003), auf Basis der Beobachtungen bis (einschliesslich) 2003/9. Vorhersage eine Periode voraus. Hier zusätzliche Information von September Methoden zur Bestimmung von y n (r) und c 3
4 Beispiele (Zeitreihendarstellung): 0.8 Anteil 0.7 Magisterium: Anteil Maenner Jahr Anteil Magisterium: Insgesamt (Maenner und Frauen) Jahr Verkauf von Ersatzteilen Einheiten Zeit (Woche)
5 Umsatz einer Innenstadtbuchhandlung 1700 Dezember 1200 Umsatz Jahr Monatliche US Arbeitslosigkeit 8 7 Arbeitslosigkeit (rohe Daten) Jahr Aktien Kurse: Lenzing AG SchlussKursLenzing Jan Marz Mai Juli Sep Nov Zeit 5
6 Fragestellung 1: Beschreibung des Trends nicht-saisonaler Zeitreihen Methode 1a: Beschreibung des Trends durch einfache grafische Darstellung Gibt es eine Zunahme/Abnahme? Ist der Trend stabil, oder ändert sich Trend über Zeit? Beispiele: Magisteriumsabschlüsse: Steigender Trend bei Insgesamt. Fallender Trend bei Männer Anteil. Trend ist relativ stabil. Verkauf von Ersatzteilen: Trendkomponente nicht stabil. Anfangs fast keine Aenderung. In der zweiten Hälfte steigender (linear) Trend. Methode 1b: Beschreibung des Trends durch Gleitende Durchschnitte (moving average) MA t (Ordnung 2m+1) = [y t-m + + y t-1 + y t + y t y t+m ] / (2m+1) Durchschnitt von (2m + 1) Beobachtungen: Beobachtung zum Zeitpunkt t, m Beobachtungen unmittelbar vor Zeitpunkt t; und m Beobachtungen unmittelbar nach Zeitpunkt t; (2m+1) nennt man die Ordnung des moving averages; auch die Länge des Fensters (window length). Durchschnitt bewirkt ein Glätten der Beobachtungen; die Variation der Beobachtungen wird dadurch verringert und der Trend kommt besser zum Vorschein. Je grösser die Ordnung (window) m, umso grösser der Glättungseffekt und umso mehr kommt der Trend zum Vorschein. Jedoch ein zu grosses m bringt die Gefahr dass relevante Trendeigenschaften gemittelt werden, und dadurch verschwinden. 6
7 Beispiel: Absatz von Ersatzteilen: MA(5) und MA(7) MA t (5) = [y t-2 + y t-1 + y t + y t+1 + y t+2 ] / 5 MA t (7) = [y t-3 + y t-2 + y t-1 + y t + y t+1 + y t+2 + y t+3 ] / 5 Zei Ersatzteile MA(5) MA(7) t * * * * * =( )/7= =( )/7= =( )/7= =( )/7= * * * * * Zeichnung der Beobachtungen und gleitender Durchschnitte, MA(7). Trend ist nicht stabil. Trend ändert sich über die Zeit. Anfangs ist der Trend relativ flach. Später ansteigend. 7
8 350 Einheiten 250 MA(Ordnung 7) - f ett Zeit (Woche) 8
9 Fragestellung 2: Vorhersage nicht-saisonaler Zeitreihen Methode 2a: Vorhersage mittles Regression auf die Zeit Funktioniert nur bei stabilen Trends Beispiel 1 : WU Absolventen mit Magisterium. Trend ist relativ stabil. Regression auf Zeit ein annähernd vernünftiges Modell. y t = a + bzeit t + Fehler wobei Zeit die Variable mit (1977, 1978,, 1997) Regressionsschätzung am Beispiel der WU Absolventen The regression equation is Absolventen = Zeit Predictor Coef SE Coef T P Constant Zeit S = R-Sq = 95.1% R-Sq(adj) = 94.9% Geschätzte Gerade mit Zeit = 1995: Absolventen = (1995) = Vorhersagen: Extrapolation der Geraden: 1998: (1998) = : (1999) = : (2000) = : (2001) = : (2002) =
10 Trendregression: WU Absolventen 1500 WU Absolventen Vorhersagen Absolv enten 1000 Geschaetzte Regression Jahr Beispiel 2: Bei der Ersatzteil Zeitreihe ist der Trend nicht stabil. Deshalb ist die Trendregression für Ersatzteile ungeeignet. 350 Einheiten 250 Ersatzteile Regression auf Zeit R-Quadrat = Zeit (Woche) 10
11 Methode 2b: Vorhersage mittles Autoregressiver Modelle der Ordnung p: AR(p) Regression der Beobachtung zum Zeitpunkt t, y t, auf die vorhergehenden p Beobachtungen y t-1, y t-2,,y t-p y t = a + b 1 y t-1 + b 2 y t b p y t-p + Fehler Beispiel: AR(3) y t = a + b 1 y t-1 + b 2 y t-2 + b 3 y t-3 + Fehler Vorhersagen: y n (1) = a + b 1 y n + b 2 y n-1 + b 3 y n-2 y n (2) = a + b 1 y n (1) + b 2 y n + b 3 y n-1 y n (3) = a + b 1 y n (2) + b 2 y n (1) + b 3 y n etc. Nur die Werte der letzten p Beobachtungen sind für die Vorhersagen zukünftiger Werte relevant. Falls p = 3, spielen nur die Werte der letzten drei Beobachtungen eien Rolle. Die früheren Werte gehen nicht in die Vorhersagen ein (jedoch schon in die Schätzwerte der Koeffizienten). Vorhersagen von AR Modellen sind wesentlich adaptiver als die Vorhersagen von Trendregressionen. Man verwendet autoregressive Modelle wenn sich die Trends über die Zeit hinweg ändern (wie bei unserer Ersatzteil Zeitreihe). Beispiel: Ersatzteile. AR(3) The regression equation is Ersatzteile = Lag Lag Lag3 49 cases used 3 cases contain missing values 11
12 Predictor Coef SE Coef T P Constant Lag Lag Lag S = R-Sq = 64.1% R-Sq(adj) = 61.7% Vorhersagen: Die letzten 3 Beobachtungen sind:, 308, 280, 345 (letzte Beobachtung) y 52 (1) = (345) (280) (308)= y 52 (2) = (321.4) (345) (280) = y 52 (3) = (316.2) (321.4) (345) = etc. Methode 2c: Glättungsverfahren nach Holt Die wohl meist verwendete Methode zur Vorhersage von Zeitreihen mit Trend, aber ohne Saisonalität. Funktioniert in Praxis ausgezeichnet. L n T n Niveau zum Vorhersage Zeitpunkt n Trendkomponente zum Vorhersage Zeitpunkt n Lineare Trend Vorhersage: y n (r) = L n + rt n L n ist das geschätzte Niveau ( level ) der Reihe zum Zeitpunkt n, und T n ist die Trendkomponente zum Zeitpunkt n. Das Niveau L n ist ein Durchschnitt der letzten (paar) Werte. Wie viele Beobachtungen in den Schätzwert eingehen sollen und wie diese Beobachtungen nach ihrem Alter gewichtet werden sollen, hängt jedoch von der Reihe ab. 12
13 Das selbe gilt für die Trendkomponente T n. Sie wird durch die Änderung von aufeinanderfolgenden Beobachtungen geschätzt. Wie viele Beobachtungen in die Kalkulation eingehen hängt wieder von den Daten ab. Die neueste Information (y n ) und die alte Information (Information zum Zeitpunkt n-1) wird mittels updates gewichtet: L n = 1 y n + (1-1 )[L n-1 +T n-1 ] T n = 2 [L n - L n-1 ] + (1-2 )T n-1 wobei 1, 2 zwei Glättungskonstanten, jeweils zwischen 0 und 1. Glättungskonstante gross: bedeutet Betonung der neuesten Information. Falls 1 = 1 und 2 = 1: L n = y n und T n = L n - L n-1 = y n - y n-1. Die Vorhersagen ergeben sich aus der Regression durch die letzten zwei Beobachtungen: y n (1) = y n + (y n - y n-1 ) y n (2) = y n + 2(y n - y n-1 ), etc. Glättungskonstante klein: bedeutet dass alle Beobachtungen ähnlich gewichtet werden. Initialisierung der Rekursionen: L 2 = y 2 ; T 2 = y 2 - y 1 Dann berechnen wir L 3 und T 3, L 4 und T 4,, bis zu L n und T n Mit den letzten Werten berechnen wir die Vorhersagen: y n (r) = L n + rt n Schätzung der Glättungskonstanten durch Minimierung der Quadrate der historischen (ein-stufigen) Vorhersagefehler. 13
14 Beispiel: Ersatzteile mit 1 = 0.20 and 2 = Vorhersagen passen sich dem letzten Teil der Daten an. Funktioniert besser als Regression auf Zeit die einen stabilen Trend voraussetzt. Holt's Exponentielle Glaettung 400 Vorhersagen Actual Forecast Einheiten Ersatzteile Actual Forecast Smoothing Constant Alpha1(level): 0.2 Alpha2(trend): 0.2 MAPE: MAD: MSD: Zeit (Woche) 14
15 Fragestellung 3: Saisonbereinigung (Seasonal Adjustment) Bei der Interpretation von Wirtschaftsdaten spielt die Trendkomponente eine grosse Rolle. Saisonalität ist in diesem Fall ein Störfaktor der bei der Interpretation des Trends nicht berücksichtigt werden soll. Beispiel: Arbeitslosenrate. Im Winter immer hoch. Arbeitslosenrate im Jänner immer wesentlich höher als im Dezember (egal ob Wirtschaft gut oder schlecht). Ein Zuwachs von 3.5% im Dezember auf 4.3% im Jänner bedeutet nicht unbedingt dass sich die Arbeitslosenrate wesentlich verschlechtert hat; dieser Zuwachs könnte allein (oder zum Teil) durch die Saisonalität erklärt werden. Deshalb: Saisonbereinigung der Daten. In Österreich vom Wirtschaftsforschungsinstitut (WIFO) und Statistischem Zentralamt ausgeführt. Computerverfahren wie das US Census X12-ARIMA Programm. Diese Verfahren verwenden gleitende Durchschnitte. Gleitende Durchschnitte (mit einem Fenster das der Saisonlänge entspricht) lassen die Saisonalität verschwinden. Beispiel 1: Trimester (Saisonlänge 3). Gleitender Durchschnitt der Ordnung 3 mittelt Beobachtungen von jedem der drei Trimestern. y t+1, y t, y t-1 (Trimester in Reihenfolge 3, 2, 1). Der gleitende Durchschnitt wird dem mittleren Zeitpunkt (hier t) zugewiesen; MA t (3) = (y t+1 + y t + y t-1 )/3. y t+2, y t+1, y t (Trimester in Reihenfolge 1, 3, 2, da ja Trimester 1 auf 3 folgt). Der gleitende Durchschnitt wird dem mittleren Zeitpunkt (hier t+1) zugewiesen; MA t+1 (3) = (y t+2 + y t+1 + y t )/3. y t+3, y t+2, y t+1 (Trimester in Reihenfolge 2, 1, 3). Der gleitende Durchschnitt wird dem mittleren Zeitpunkt (hier t+2) zugewiesen; MA t+2 (3) = (y t+3 + y t+2 + y t+1 )/3. 15
16 Beispiel 2: Monatsdaten (Saisonlänge 12). Fenster der Länge 12. Jedes Monat kommt im gleitenden Durchschnitt vor; allerdings ist die Zuordnung problematisch. y t+6, y t+5,, y t+1, y t, y t-1,, y t-5 : Der gleitende Durchschnitt wird dem mittleren Zeitpunkt (hier t+0.5) zugewiesen; MA t+0.5 (12) = (y t+6 + y t y t+1 + y t + y t y t-5 )/12. y t+5,, y t+1, y t, y t-1,, y t-6 : Der gleitende Durchschnitt wird dem mittleren Zeitpunkt (hier t-0.5) zugewiesen; MA t-0.5 (12) = (y t y t+1 + y t + y t y t-6 )/12. Weiters berechnen wir den gleitenden Durchschnitt zweier aufeinanderfolgenden Durchschnitte. Das führt zu dem 2x12 centered moving average, MA t (2x12)= [MA t+0.5 (12) + MA t-0.5 (12)]/2 = [(1/2)y t+6 + y t y t+1 + y t + y t y t-5 + (1/2)y t+6 ]/12. Dieser gleitende Durchschnitt wird dann dem mittleren Zeitpunkt t zugewiesen. Moving average lässt die Saisonalität verschwinden. Im Census X12 Programm viele Verfeinerungen. Auch Schätzung der Saisonalität. Programme sind adaptiv; d.h., erlauben dass sich Trend und Saisonmuster über die Zeit ändern. 16
17 Beispiel: US Arbeitslosenraten Monatliche US Arbeitslosigkeit (roh und saisonbereinigt) 8 7 saisonbereinigt (fett) Jahr Weiterführende Literatur: Abraham, B. und Ledolter, J.: Statistical Methods for Forecasting. Wiley, 1983 Armstrong, J.S. (editor): Principles of Forecasting. Kluwer Academic Publishers, This book includes summaries and references to commonly-used forecast methods and covers both quantitative and qualitative (judgmental) forecast procedures. Much useful information can be found on the website sitemap.html. It lists relevant books and articles, and provides links to two important forecasting journals, the Journal of Forecasting and the International Journal of Forecasting.] Box, G.E.P. und Jenkins, G.M.: Time Series, Forecasting and Control (2 nd edition), Holden-Day, 1976 (3 rd edition mit G.C. Reinsel, 1994, Prentice Hall). Newbold, P. und Bos, T.: Introductory Business Forecasting (2 nd edition). South-Western Publishing Co.,
5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
MehrExplorative Zeitreihenanalyse
Kapitel 11 Explorative reihenanalyse Department of Statistics and Mathematics WU Wien c 2008 Statistik 11 Explorative reihenanalyse 0 / 66 Inhalt Beschreiben von reihen Klassische reihenzerlegung Trend,
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
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
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
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
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
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
MehrSupply Chain Management
Supply Chain Management Forecasting Methods Prof. Dr.-Ing. Burkhard Schmager Department of Industrial Engineering EAH Jena Sept 2016 SS 2016 Kapitel 2-1 Material Planning Approaches MRP - methods deterministical
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
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
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
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
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
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
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS / MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 4 26..,
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
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
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
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
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,
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.
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
MehrHeteroskedastie. Test auf Heteroskedastie. Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist.
Heteroskedastie Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist. Beispiele: Bei Zeitreihendaten : Ansteigen der Varianz über die Zeit, Anstieg der Varianz mit
Mehr9.1. Lineare und nichtlineare Trends. 9. Zeitreihen mit Trend Lineare und nichtlineare Trends Transformation der Daten
9. Zeitreihen mit Trend 9.1. Lineare und nichtlineare Trends In diesem Abschnitt beschäftigen wir uns mit ZR, die einen langfristigen linearen Trend, aber keine saisonalen Schwankungen, enthalten. Das
MehrDienstleistungsmanagement Übung 5
Dienstleistungsmanagement Übung 5 Univ.-Prof. Dr.-Ing. Wolfgang Maass Chair in Economics Information and Service Systems (ISS) Saarland University, Saarbrücken, Germany Besprechung Übungsblatt 4 Slide
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
MehrJanuar 2009 gegenüber Dezember 2008 Produktion im Baugewerbe in der Eurozone um 1,3% gestiegen Zunahme in der EU27 um 1,8%
STAT/09/39 23. März 2009 Januar 2009 gegenüber Dezember 2008 Produktion im Baugewerbe in der Eurozone um 1,3% gestiegen Zunahme in der EU27 um 1,8% Die saisonbereinigte Produktion 1 im Baugewerbe stieg
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
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
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
MehrProblemstellung und Lernziele
Nachfrageprognose Problemstellung und Lernziele Inwiefern können Serviceunternehmen durch Nachfrageprognosen einen Wettbewerbsvorteil erwirtschaften? Nach dieser Veranstaltung sollten Sie, die wichtigsten
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
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
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
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.
MehrJohann Wolfgang Goethe-Universität Frankfurt am Main
Johann Wolfgang Goethe-Universität Frankfurt am Main Fachbereich Wirtschaftswissenschaften Professur für Statistik und Ökonometrie (Empirische Wirtschaftsforschung) Prof. Dr. Reinhard Hujer Mertonstraße
Mehrswiss marketing academy GmbH Seite 1 von 11
AUFGABE 1a Nennen Sie 3 fallbezogene Gliederungszahlen und beschreiben Sie pro Gliederungszahl die Aussagekraft. 6 Punkte Gliederungszahl = Verhältnis eines Teiles zum gleichartigen Ganzen. Nennung Beschreibung
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
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
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,
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
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
MehrPrognosemethoden angewandt auf Besucherzahlen ausgewählter Ausflugsziele in Niederösterreich: Stift Geras und Kunsthalle Krems
Wirtschaftsuniversität Wien Institut für Tourismus und Freizeitwirtschaft Course 2 WS 2002/03 Andreas Zins Prognosemethoden angewandt auf Besucherzahlen ausgewählter Ausflugsziele in Niederösterreich:
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 96/97 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 24.1.97,
MehrAktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 2004) Forecasts und Evaluation
Aktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 24) Forecasts und Evaluation 1. Daten...2 2. Dynamische Forecasts...4 2.1 Exponential Smoothing...4 2.1.1 Double Exponential Smoothing...4 2.1.2 Holt-Winters...5
Mehr7. Stochastische Prozesse und Zeitreihenmodelle
7. Stochastische Prozesse und Zeitreihenmodelle Regelmäßigkeiten in der Entwicklung einer Zeitreihe, um auf zukünftige Entwicklung zu schließen Verwendung zu Prognosezwecken Univariate Zeitreihenanalyse
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Organisatorisches Vorlesung Montags 15.45 17.15 Uhr HS I vorwiegend theoretischer Teil Computerübung Montags 17.30 19.00 Uhr Pool 2 HG Umsetzung der Theorie am Computer
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
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
MehrKlausur zur Veranstaltung Empirische Wirtschaftspolitik
Seite 1 von 11 Prof. Frank Westermann, Ph.D. Fachgebiet Internationale Wirtschaftspolitik Rolandstraße 8, 49069 Osnabrück Klausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2016/2017
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
MehrStatistik II: Signifikanztests /2
Medien Institut : Signifikanztests /2 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Korrelation 2. Exkurs: Kausalität 3. Regressionsanalyse 4. Key Facts 2 I
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 97 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 15 45
MehrIntroduction to Modern Time Series Analysis
Springer Texts in Business and Economics Introduction to Modern Time Series Analysis Bearbeitet von Gebhard Kirchgässner, Jürgen Wolters, Uwe Hassler 1. Auflage 2012. Buch. XII, 319 S. Hardcover ISBN 978
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
MehrBeispiele in R: Einfacher gleitender Durchschnitt und Exponentielles Glätten
Beispiele in R: Einfacher gleitender Durchschnitt und Exponentielles Glätten Regina Tüchler & Thomas Rusch November 2, 2009 Beispiel: Einfacher Gleitender Durchschnitt der Nil-Daten: Wir haben Daten über
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
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
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
MehrBest Practices in Forecasting & Demand Management
Best Practices in Forecasting & Demand Management 7. Forecast Accuracy SIXSIGMA Europe GmbH Passion for Excellence Theodor-Heuss-Ring 23 50668 Köln Tel. +49.221.77109.560 Six Sigma Europe GmbH Seite 1
MehrJanuar 2007 Arbeitslosenquote der Eurozone auf 7,4% gesunken Quote der EU27 auf 7,5% gesunken
STAT/07/29 28. Februar 2007 Januar 2007 Arbeitslosenquote der Eurozone auf 7,4% gesunken Quote der EU27 auf 7,5% gesunken In der Eurozone (EZ13) 1 lag die saisonbereinigte Arbeitslosenquote 2 im Januar
MehrApril 2009 Arbeitslosenquote der Eurozone auf 9,2% gestiegen Quote der EU27 auf 8,6% gestiegen
STAT/09/79 2. Juni 2009 April 2009 Arbeitslosenquote der Eurozone auf 9,2% gestiegen Quote der EU27 auf 8,6% gestiegen In der Eurozone 1 (EZ16) lag die saisonbereinigte Arbeitslosenquote 2 im April 2009
MehrBestandsmanagement. Prognoseverfahren und Lagerhaltungspolitiken
Bestandsmanagement Prognoseverfahren und Lagerhaltungspolitiken Inhalt Bestandsmanagement in Supply Chains Prognoseverfahren Prognose bei regelmäßigem Bedarf Konstantes Bedarfsniveau Trendförmiges Bedarfsniveau
MehrIBM SPSS Forecasting. In Sekundenschnelle präzise Vorhersagen erstellen. Highlights. IBM Software IBM SPSS Statistics 19 Business Analytics
IBM Software IBM SPSS Statistics 19 IBM SPSS Forecasting In Sekundenschnelle präzise Vorhersagen erstellen Highlights Entwickeln Sie schnell zuverlässige Vorhersagen Reduzieren Sie Vorhersagefehler Aktualisieren
MehrSporthalle_Federseeschule_Wochenplan_ KW. Montag Dienstag Mittwoch Donnerstag Freitag Samstag Sonntag
31. KW 1. Aug. 2. Aug. 3. Aug. 4. Aug. 5. Aug. 6. Aug. 7. Aug. SVB-Zeiten ab Oktober Ferien w C/ Turnen Kinderferienprogramm 08:00 32. KW 8. Aug. 9. Aug. 10. Aug. 11. Aug. 12. Aug. 13. Aug. 14. Aug. SVB-Zeiten
MehrÖkonometrische Prognose: U.S.-GDP Wachstumsraten. Sigrid Stix, Klaus Prettner, Robert Hierländer,
Ökonometrische Prognose: U.S.-GDP Wachstumsraten Sigrid Stix, 0103961 Klaus Prettner, 0201418 Robert Hierländer, 9926900 Im Rahmen der LV Ökonometrische Prognose o. Univ.-Prof. Dr. Robert Kunst WS 2006/2007
MehrZeitreihenanalyse Differenzenbildung
Zeitreihenanalyse Differenzenbildung Worum geht es in diesem Lernmodul? Einleitung Verfahren der einfachen Differenzenbildung Verfahren der saisonalen Differenzenbildung Kombination einfacher und saisonaler
MehrFebruar 2010 gegenüber Januar 2010 Industrieproduktion in der Eurozone um 0,9% gestiegen Anstieg um 0,7% in der EU27
STAT/10/50 14. April 2010 Februar 2010 gegenüber Januar 2010 Industrieproduktion in der Eurozone um 0,9% gestiegen Anstieg um 0,7% in der EU27 Die saisonbereinigte Industrieproduktion 1 ist im Februar
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
MehrBachelor-Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL Wintersemester 2015/ Aufgabe Punkte
Bachelor-Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL Wintersemester 2015/16 23.02.2016 Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.: Wird vom Prüfer ausgefüllt: Aufgabe
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
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
MehrDeskriptive Statistik
Helge Toutenburg Christian Heumann Deskriptive Statistik Eine Einführung in Methoden und Anwendungen mit R und SPSS Siebte, aktualisierte und erweiterte Auflage Mit Beiträgen von Michael Schomaker 4ü Springer
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS
Sommersemester 2009 Statistik mit SPSS 15. Mai 2009 15. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Überblick 1. Korrelation vs. Regression 2. Ziele der Regressionsanalyse 3. Syntax für
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester 2009, Statistik mit SPSS
Sommersemester 2009, Statistik mit SPSS 28. August 2009 28. August 2009 Statistik Dozentin: mit Anja SPSS Mays 1 Überblick 1. Korrelation vs. Regression 2. Ziel der Regressionsanalyse 3. Syntax für den
MehrMÖGLICHKEITEN UND GRENZEN DER VORHERSAGBARKEIT VON EPIDEMIEN IN FRÜHEN STADIEN
MÖGLICHKEITEN UND GRENZEN DER VORHERSAGBARKEIT VON EPIDEMIEN IN FRÜHEN STADIEN Mario Ziller Friedrich-Loeffler-Institut Bundesforschungsinstitut für Tiergesundheit Institut für Epidemiologie Seestr. 55,
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-
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/??
MehrSAP APO Demand Planning
SAP APO Demand Planning Helmut Roos Diplom-Ingenieur Unternehmensberater Grundlagen D-67067 Ludwigshafen +49 (621) 5 29 44 65 Overview of SAP SC Demand Planning APO-BW Planned independent requirements
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
MehrBüros: Wie eng ist der Zusammenhang zwischen Arbeitsmarkt und Immobilienmarkt?
Büros: Wie eng ist der Zusammenhang zwischen Arbeitsmarkt und Immobilienmarkt? Dr. Michael Voigtländer, Forschungsstelle Immobilienökonomik Schloss Ettersburg, 20. April 2010 Forschungsstelle Immobilienökonomik
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
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
MehrOnline-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung
Online-Aufgaben Statistik (BIOL, CHAB) Auswertung und Lösung Abgaben: 61 / 234 Maximal erreichte Punktzahl: 6 Minimal erreichte Punktzahl: 2 Durchschnitt: 5 Frage 1 (Diese Frage haben ca. 5% nicht beantwortet.)
MehrSkriptteufel Klausurvorbereitung
Skriptteufel Klausurvorbereitung Workshop Produktion Was haben wir vor? Möglichst zielgenaue Klausurvorbereitung Erklären der Aufgabentypen und zugehöriger Lösungswege Aufteilung in fünf große Blöcke:
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:
Mehrswiss marketing academy GmbH Seite 1 von 8
Aufgabe 1 15 Punkte Erstellen Sie eine aussagekräftige Grafik mit der Sie den Sachverhalt (Altersstruktur und Firmentreue) auf einer DIN-A4-Seite präsentieren können. Auf eine vollständige unterstützende
MehrBestandsplanung und -steuerung: Die Bedarfsermittlung
Bestandsplanung und -steuerung: Die Bedarfsermittlung Dortmund, Oktober 1998 Prof. Dr. Heinz-Michael Winkels, Fachbereich Wirtschaft FH Dortmund Emil-Figge-Str. 44, D44227-Dortmund, TEL.: (0231)755-4966,
MehrInnovationen in Prognoseverfahren und deren Anwendung
AG Prognoseverfahren der GOR Innovationen in Prognoseverfahren und deren Anwendung Prof. em. Dr. Klaus Spicher, Iserlohn Ingoldstadt, 8./9. Juni 2015 1 Hinweis /Disclaimer Alle im Vortrag verwendeten Daten
MehrPressekonferenz. Thema: Vorstellung des Geburtenbarometers - Eine neue Methode zur Messung der Geburtenentwicklung
Pressekonferenz mit Bundesministerin Ursula Haubner, Bundesministerium für soziale Sicherheit, Generationen und Konsumentenschutz und Prof. Dr. Wolfgang Lutz, Direktor des Instituts für Demographie der
MehrZahlen und Fakten zum Klimawandel in Deutschland
Klima-Pressekonferenz des Deutschen Wetterdienstes am 3. Mai 2012 in Berlin: Zahlen und Fakten zum Klimawandel in Deutschland Inhalt: A) Klimadaten zum Jahr 2011 Ein kurzer Blick auf das Klima in Deutschland
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
MehrAuswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
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
MehrKalendereffekte in der Industrieproduktion
Gerhard Thury Kalendereffekte in der Industrieproduktion "V as Produktionsvolumen eines I Monats hängt von der Zahl der Arbeitstage ab Die relativ große Zahl der gesetzlichen Feiertage in Österreich muß
MehrErstellung einer wissenschaftlichen Arbeit
Erstellung einer wissenschaftlichen Arbeit Kapitel 4 Visualisierungen 30.7508, Wintersemester 2015/2016 Bildquellen: http://www.gillikinconsulting.com/wp-content/uploads/2013/11/writer3a_writing_bnw.jpg
MehrPolitikwissenschaft. Zulassung zum Masterstudium / Admission to the Master s Programme
Zulassung zum Masterstudium / Admission to the Master s Programme Politikwissenschaft Die Zulassung zu einem Masterstudium setzt den Abschluss eines fachlich in Frage kommenden bzw. gleichwertigen Vorstudiums
Mehr