5. Zeitreihenanalyse und Prognoseverfahren
|
|
- Cathrin Hertz
- vor 7 Jahren
- Abrufe
Transkript
1 5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall, Exponentielles Glätten, Verfahren nach Holt, Verfahren nach Winters, autoregressives Modell, AR- Modell, Box-Jenkins Modelle. Literatur: Newbold & Bos, Introductory Business Forecasting, 2 nd Edition. Besonders in den Betrieben werden viele Daten in Form von Zeitreihen erhoben. Fragestellungen, die mit Zeitreihen oft verbunden sind, betreffen ihre Beschreibung und die ihrer Komponenten wie Trend und Saisonalität, das Verstehen des Prozesses, in dem diese Daten entstanden sind, und vielleicht am häufigsten die nach der künftigen Entwicklung der Zeitreihe, also das Erstellen von Prognosen. Im ersten Teil des Kapitels befassen wir uns mit den Verfahren zum Beschreiben von Zeitreihen und zum Berechnen ihrer Komponenten. Im zweiten Teil werden wir einige Prognoseverfahren und insbesondere die Methode des exponentiellen Glättens in einigen Varianten behandeln. 1 Zeitreihen Unter einer Zeitreihe verstehen wir in regelmäßigen Zeitabständen genommene Beobachtungen y 1, y 2,..., y t,..., (y n ) eines Merkmals Y. Beispiele: jährliche Investitionen eines Unternehmens, die wöchentlichen Umsätze einer Supermarkt-Kette, die täglichen Börsenkurse einer Aktiengesellschaft. Aufgaben der Analyse von Zeitreihen: Beschreibung der Zeitreihe, Prognose, Erklärung des datengenerierenden Prozesses.
2 1.1 Beschreibung der Zeitreihe Komponenten von Zeitreihen sind Trend, Saisonale (und/oder zyklische) Schwankungen (Saisonalität), Irreguläre Schwankungen (Störterm, Noise). Allgemeine Modelle für Zeitreihen sind y t = T t + S t + u t (additives Modell) y t = T t S t u t (multiplikatives Modell) wobei y t für die Beobachtung von Y und die Größen T t, S t und u t für den Trend, die Saisonalität und den Störterm stehen, jeweils in der Periode t. Modelle für den Trend (Trendfunktionen) T t = α + β t (linearer Trend) T t = α + β t + γ t (polynomialer Trend) T t = α e βt (exponentieller Trend) α T t = (Sättigungsmodell) 1 + β e γ t Der in jedem Modell notwendige, meist additive Störterm (u t ) wurde hier der Übersichtlichkeit halber nicht angeschrieben. Die Konstanten α, β und γ sind Parameter der Modelle, die normalerweise unbekannt sind. Das Schätzen der Parameter eines geeignet spezifizierten Modells aus den Daten gehört zu den Hauptaufgaben der Analyse von Zeitreihen, die dafür eine Vielzahl von Methoden entwickelt hat. Schätzen der Trendkomponente: Die Verfahren kann man einteilen in Methoden der globalen Anpassung: ein typischer Vertreter ist die Methode der kleinsten Quadrate; lokalen Anpassung: etwa die Methode der gleitenden Durchschnitte. Warum interessieren uns die Saisonkomponenten? Weil man die Saisonalitäten kennen möchte.
3 Weil man sie zum Saisonbereinigen benötigt. Schätzen der Saisonalitäten: Bei Annahme eines additiven Modells (y t = T t +S t +u t ) können die Saisonalitäten in einem mehrstufigen Verfahren geschätzt werden.: 1. Schätzung des Trends T t ; 2. Abziehen des Trends liefert näherungsweise S t + u t ; der Durchschnitt dieser Werte zu jeder Saisonkomponente gibt vorläufige Schätzer; 3. Abziehen des Durchschnittes der Saisonkomponenten (Zentrieren). 1.2 Die Autokorrelationsfunktion Unter Autokorrelation versteht man die Korrelation der Beobachtungen einer Zeitreihe, deren Beobachtungsperioden einen bestimmten Abstand haben. Der Autokorrelationskoeffizient r k ist definiert als (yt ȳ)(y t+k ȳ) r k = (yt ȳ) 2 mit der Stichprobenkovarianz = s k s 2 s k = 1 n (yt ȳ)(y t+k ȳ) und der Stichprobenvarianz s 2 = s 0 ; ȳ ist der Durchschnitt der y t. Der Autokorrelationskoeffizient r k ist ein Maß für die Stärke der Abhängigkeit zwischen y t und y t+k (oder y t k ). Unter der Autokorrelationsfunktion versteht man die Abhängigkeit des Autokorrelationskoeffizienten r k von k. Sie wird als Tabelle oder in graphischer Form dargestellt; diese graphische Darstellung von r 1, r 2, r 3,... nennt man auch ein Korrelogramm. Interpretation der Autokorrelationsfunktion oder des Korrelogramms: Das Korrelogramm zeigt saisonale Effekte an. Bei Zeitreihen mit Trend fällt Korrelogramm nur langsam ab. Autokorrelationsfunktion und Prognose: Stark korrelierte Reihe: Vergangene Werte können zur Prognose künftiger Werte verwendet werden Alle r k klein: Vergangene Werte sind keine Hilfe für die Prognose.
4 2 Prognoseverfahren Zeitreihe eines Merkmals Y : y 1, y 2,..., y n y n+1, y n+2,... y n+r ; die historischen Daten sind y 1, y 2,..., y n ; zukünftige Beobachtungen sind y n+1, y n+2,..., y n+r. Prognose oder Vorhersage für die Beobachtung y n+r der (zukünftigen) Periode n + r im Zeitpunkt n ist ŷ n (r) wir nennen n den Prognosezeitpunkt, r den Prognosehorizont. Prognoseintervall: ŷ n (r) ± c (vergleiche das Konfidenzintervall). Aufgabe der Prognoserechnung ist das Bestimmen von ŷ n (r) und c. Eine Systematik der Prognosemethoden: A. Univariate Methoden exponentielles Glätten Box-Jenkins ARIMA Modelle Strukturelle Zeitreihenmodelle B. Multivariate Methoden Regressionsmodelle Ökonometrische Modelle (simultane Gleichungssysteme) C. judgmental methods Software: EXCEL (nur beschränkt), ForecastPRO. 2.1 Methode des Exponentiellen Glättens Die Struktur der Zeitreihe ist für Wahl der Prognosemethode entscheidend. Wir unterscheiden die Fälle: Die Zeitreihe hat A. keinen Trend, keine Saisonalität B. Trend, keine Saisonalität C. Trend, Saisonalität
5 2.1.1 Prognose für Zeitreihen ohne Trend, ohne Saisonalität Ausgangspunkt ist das Modell y t = µ + u t µ : Niveau, u t : Irreguläre Schwankung (Störterm, Noise). Fall 1: Konstantes Niveau Wir schätzen µ mittels der Methode der Kleinsten Quadrate (OLS-Schätzung) zu ȳ = 1 n (y n + y n y 1 ). Als Prognose für y n+r nehmen wir ŷ n (r) = ȳ für alle r Beachte! Der Durchschnitt gibt allen Beobachtungen das gleiche Gewicht n 1. Fall 2: Variables Niveau Wir schätzen µ mittels der Methode des Exponentiellen Glättens. Wir bezeichnen das geschätzte Niveau mit L n ; wir erhalten es aus L n = α[y n + (1 α)y n 1 + (1 α) 2 y n ] ; dabei ist α die Glättungskonstante (0 α 1). Wir nehmen als Prognose für y n+r ŷ n (r) = L n für alle r. Die Prognose ist der gewichtete Durchschnitt der Beobachtungen aus der Vergangenheit, wobei den aktuelleren Beobachtungen mehr Gewicht gegeben wird als den älteren. Rekursion zur einfacheren Berechnung ( Update ) des Niveau-Schätzers: L n = αy n + (1 α)l n 1
6 Beispiel 1: Prognose einer einfachen Zeitreihe. Die beobachteten Werte der Zeitreihe sind y 1 = 5; y 2 = 4; y 3 = 5; y 4 = 6; y 5 = 8. Wir wählen den Anfangswert L 1 = y 1. Alternativ könnten wir den Durchschnitt der ersten (hier zwei oder drei) Beobachtungen nehmen. Wahl der Glättungskonstante: α = 0.2. Dann bekommen wir: Prognose für t = 6, 7,...: L 2 = αy 2 + (1 α)l 1 = (0.2)(4) + (0.8)(5) = 4.8 L 3 = (0.2)(5) + (0.8)(4.8) = 4.84 L 4 = (0.2)(6) + (0.8)(4.84) = L 5 = (0.2)(8) + (0.8)(5.072) = ŷ 5 (r) = für alle r. Zur Wahl der Glättungskonstante α kann die Summe SSE der quadrierten einstufigen Prognosefehler minimiert werden: SSE = [y t ŷ t 1 (1)] 2. Manche Prognose-Software, nicht aber EXCEL, bieten das automatische Schätzen von α nach diesem Kriterium. Zum Verständnis zwei Fälle: A. α= 1: ŷ n (r) = L n = y n ; naive Prognose, random walk Prognose. B. α= 0: ŷ n (r) = L n = 1 n [y n + y n y 1 ] ; alle Beobachtungen bekommen das gleiche Gewicht. Beispiel 2: Koreanische Exporte. Die Daten gehen von 1970:1 bis 1986:2 (Quartalsdaten, n = 66). Mit α = ergeben sich L 66 = (0.5156)[y y y ] = , ŷ 66 (r) =
7 2.1.2 Exponentielles Glätten nach Holt Das Verfahren wird verwendet für Prognosen bei Zeitreihen mit Trend und ohne Saisonalität. Als Modell verwenden wir y t = µ + βt + u t µ: Niveau, β: Anstieg der Trendgeraden, u t : Irreguläre Schwankung, Störterm, Noise. Die OLS-Schätzung von µ und β funktioniert im Allgemeinen nicht gut. Als Prognose bekommen wir ŷ n (r) = L n + rt n für alle r, mit dem geschätzten Niveau L n und der geschätzten Trendkomponente T n. Rekursion zum Update der Schätzer: L n = α 1 y n + (1 α 1 )[L n 1 + T n 1 ] T n = α 2 [L n L n 1 ] + (1 α 2 )T n 1 ; Für die Glättungskonstanten α 1 und α 2 gilt 0 α 1 1 und 0 α 2 1; großer Wert einer Glättungskonstanten: Betonung der neuesten Information; kleiner Wert einer Glättungskonstanten: alle Beobachtungen bekommen ziemlich das gleiche Gewicht. Initialisierung: L 2 = y 2, T 2 = y 2 y 1. Wahl der Glättungskonstanten durch Minimieren der Summe der quadrierten einstufigen Prognosefehler. Beispiel 2: Koreanische Exporte (Fortsetzung). Die Daten gehen von 1970:1 bis 1986:2 (Quartalsdaten, n = 66). Mit α 1 = 0.064, α 2 = erhalten wir ŷ 66 (r) = r ; ŷ 66 (1) = Beispiel 3: Verkauf von Thermostaten. Die Daten gehen von 1998:1 bis 2002:4 (Monatsdaten, n = 52). Mit α 1 = 0.246, α 2 = erhalten wir Ŷ 52 (r) = r Ŷ 52 (1) =
8 2.1.3 Exponentielles Glätten nach Holt-Winters Dieses Verfahren erlaubt die Prognose für Zeitreihen mit Trend und Saisonalität. Annahme: Wir untersuchen monatliche Daten mit einem jährlichen Saisonmuster (s = 12). Die Prognose für y n+r ergibt sich zu ŷ n (r) = [L n + rt n ]S n + r 12 für r = 1, 2,..., 12 = [L n + rt n ]S n + r 24 für r = 13, 14,..., 24 = etc. mit dem geschätzten Niveau L n, der geschätzten Trendkomponente T n und der saisonalen Komponente S n. Rekursion zum Update der Schätzer: L n = α 1 y n S n 12 + (1 α 1 )[L n 1 + T n 1 ] T n = α 2 [L n L n 1 ] + (1 α 2 )T n 1 S n = α 3 y n L n + (1 α 3 )S n 12 Für die Glättungskonstanten α 1, α 2 und α 3 gilt 0 α 1, α 2, α 3 1. Wahl der Glättungskonstanten durch Minimieren der Summe der quadrierten, einstufigen Prognosefehler. 2.2 Prognoseintervalle In Literatur und Zeitreihen-Software finden sich unterschiedliche Definitionen und Berechnungsverfahren. Prognoseintervall für y n (r): 1. Berechne alle r-stufigen Prognosefehler y r+1 ŷ 1 (r), y r+2 ŷ 2 (r),..., y n ŷ n r (r) 2. Ermittle die Standardabweichung der historischen Prognosefehler s 2 r = 1 n r [y t ŷ t r (r)] 2 t 3. Das 95%-ige (r-stufige) Prognoseintervall für y n+r ist ŷ n r (r) ± 2s r
9 2.3 Autoregressive Modelle zur Prognose Die AR-Modelle, auch Box-Jenkins Modelle genannt, definieren y t Funktion der eigenen früheren Beobachtungen. AR(1)-Modell: y t = β 0 + β 1 y t 1 + u t als lineare AR(2)-Modell: AR(p)-Modell: y t = β 0 + β 1 y t 1 + β 2 y t 2 + u t y t = β 0 + β 1 y t β p y tp + u t Aufgaben: Identifikation, d.h. Festlegen der Ordnung p des Modells, Schätzen der Parameter; zum Schätzen wird die OLS-Schätzung verwendet. Prognose für das AR(1)-Modell: ŷ n (1) = b 0 + b 1 y n ŷ n (2) = b 0 + b 1 ŷ n (1)... Prognose für das AR(2)-Modell: ŷ n (r) = b 0 + b 1 ŷ n (r 1) für r 2 ŷ n (1) = b 0 + b 1 y n + b 2 y n 1 ŷ n (2) = b 0 + b 1 ŷ n (1) + b 2 y n ŷ n (3) = b 0 + b 1 ŷ n (2) + b 2 ŷ n (1)... ŷ n (r) = b 0 + b 1 ŷ n (r 1) + b 2 ŷ n (r 2) für r 3 Beispiel 3: Verkauf von Thermostaten (Fortsetzung). Die Daten gehen von 1998:1 bis 2002:4 (Monatsdaten, n = 52). Das AR(2)-Modell ergibt sich zu (R 2 = 0.61) ŷ t = y t y t 2.
10 Aufgaben 1. Die Tabelle zeigt den Umsatz (in Mio ATS) eines Kaufhauses nach Quartalen: Jahr 1.Q 2.Q 3.Q 4.Q (Daten unter (a) Zeichnen Sie ein Zeitreihendiagramm. (b) Schätzen Sie (i) eine linearen und (ii) einen quadratischen Trend; interpretieren Sie die Trendfunktionen. Welche andere Trendfunktion kommt in Frage? (c) Bestimmen Sie die Saisonkomponenten. (a) Stelle Sie die desaisonalisierte und die ursprüngliche Zeitreihe einander in einem gemeinsamen Zeitreihendiagramm gegenüber. (d) Berechnen und zeichnen Sie das Korrelogramm. 2. Die EXCEL-Datei Exporte gibt Koreas Erlöse aus Exporten (in Mio USD) in der Zeit 1970:1 bis 1986:2 (Quartalsdaten) an. (a) Zeichnen Sie ein Zeitreihendiagramm. (b) Zeichnen Sie Korrelogramme der Zeitreihe, der Differenzen zum Vorwert und der Differenzen zum Vorjahreswert. (c) Berechnen Sie Prognosen für 1986:3 bis 1989:2 nach der Methode des Exponentiellen Glättens (i) ohne Trend und Saisonalität, (ii) mit Trend und ohne Saisonalität, und (iii) mit Trend und ohne Saisonalität. (d) Bestimmen Sie für alle Quartale bis Ende %-ige Konfidenzintervalle; wählen Sie jenes Modell, das die Zeitreihe am besten repräsentiert. (e) Verwenden Sie Expert Selectio von ForecastPro und diskutieren Sie an Hand der Prognosefehler und anderer within-sample Statistics die Qualität der vier Modelle.
Dynamische 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
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
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
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
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/??
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
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
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
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
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
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
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
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,
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:
MehrAusgewählte Probleme der Ökonometrie
Ausgewählte Probleme der Ökonometrie Bernd Süßmuth IEW Institute für Empirische Wirtschaftsforschung Universität Leipzig November 28, 2011 Bernd Süßmuth (Universität Leipzig) APÖ November 28, 2011 1 /
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
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.
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
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
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
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
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
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 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
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
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,
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
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
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
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
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
MehrDynamische Modelle: Stabilität und Interpretation
1 / 25 Dynamische Modelle: Stabilität und Interpretation Kapitel 17 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 25 Inhalt Kurz- und langfristige Effekte Einmalige Änderung in X Permanente
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
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
MehrProblemstellung und Lernziele
Nachfrageprognose Problemstellung und Lernziele Inwiefern können Serviceunternehmen durch Nachfrageprognosen einen Wettbewerbsvorteil erwirtschaften? Nach dieser Veranstaltung sollten Sie, die wichtigsten
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.
MehrJohn Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
Mehr1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
MehrBivariater Zusammenhang bei metrischen Variablen: Regression und Korrelation
Bivariater Zusammenhang bei metrischen Variablen: Regression und Korrelation PEΣO 12. November 2001 Von der Tabellenanalyse zur Regression Die bivariate Verteilung zweier metrischer Variablen kann konzeptionell
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-
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
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
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
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,
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
MehrÖkonometrische Modelle
Ökonometrische Modelle Stichwörter: Dynamische Modelle Lagstrukturen Koyck sche Lagstruktur Zeitreihenmodelle Mehrgleichungsmodelle Strukturform reduzierte Form o1-13.tex/0 Lüdeke-Modell für die BRD C
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
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
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
MehrDefinition und Beispiele. Lineare Prozesse. Kausalität und Invertierbarkeit. Berechnung der Autokovarianzfunktion. Prognosen in ARMA-Modellen
Kap. 2: ARMA-Prozesse Definition und Beispiele Lineare Prozesse Kausalität und Invertierbarkeit Berechnung der Autokovarianzfunktion Prognosen in ARMA-Modellen Wold-Darstellung 2.1 Definition und Beispiele
MehrLineare Regression. Kapitel Regressionsgerade
Kapitel 5 Lineare Regression 5 Regressionsgerade Eine reelle Zielgröße y hänge von einer reellen Einflussgröße x ab: y = yx) ; zb: Verkauf y eines Produkts in Stückzahl] hängt vom Preis in e] ab Das Modell
MehrMethoden der Zeitreihenanalyse
Winfried Stier Methoden der Zeitreihenanalyse Mit 237 Abbildungen und 6 Tabellen Springer Inhaltsverzeichnis I. Elementare Zeitreihenanalyse 1 1.1. Definitionen, Grundkonzepte, Beispiele 1 1.2. Das traditionelle
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrBestandsmanagement. Prognoseverfahren und Lagerhaltungspolitiken
Bestandsmanagement Prognoseverfahren und Lagerhaltungspolitiken Inhalt Bestandsmanagement in Supply Chains Prognoseverfahren Prognose bei regelmäßigem Bedarf Konstantes Bedarfsniveau Trendförmiges Bedarfsniveau
MehrIntermediate Macroeconomics: Übungsveranstaltung
Ziele der Übungsveranstaltung Umgang mit Daten, insbesondere Zeitreihen Intermediate Macroeconomics: Übungsveranstaltung MS Excel verwenden, einfache Datentransformationen und Berechnungen durchführen
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
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
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
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 Modelle: Schätzen und Modellwahl
1 / 23 Dynamische Modelle: Schätzen und Modellwahl Kapitel 18 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 23 Inhalt Dynamische Modelle und autokorrelierte Fehler Tests auf Autokorrelation
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
MehrRegressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/
Regressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/2018 06.12.2018 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN Nachname:...................................................................
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
MehrEinführung in die Zeitreihenanalyse
Bernhard Schmitz Einführung in die Zeitreihenanalyse Modelle, Softwarebeschreibung, Anwendungen Verlag Hans Huber Bern Stuttgart Toronto Inhaltsverzeichnis Vorwort 9 Einführung 11 Teil I: Univariate Zeitreihenanalyse
MehrTechnische Universität München. Prognoseverfahren. Mit PC-Unterstützung Tendenzen und Prognose in der Forstwirtschaft erkennen
Prognoseverfahren Mit PC-Unterstützung Tendenzen und Prognose in der Forstwirtschaft erkennen Definition und Fragen Was ist eine Prognose, was ein Trend Wo werden sie angewandt und zu welchem Zweck Relevanz
MehrKompaktskript zur Vorlesung Prognoseverfahren
Kompaktskript zur Vorlesung Prognoseverfahren Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
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
Mehr11. Übungsblatt zur Vorlesung Ökonometrie SS 2014
Universität des Saarlandes Lehrstab Statistik Dr. Martin Becker Dipl.-Kfm. Andreas Recktenwald 11. Übungsblatt zur Vorlesung Ökonometrie SS 2014 Aufgabe 45 Die in Aufgabe 43 getroffene Annahme heteroskedastischer
MehrDr. W. Kuhlisch Dresden, Institut für Mathematische Stochastik
Dr. W. Kuhlisch Dresden, 12. 08. 2014 Institut für Mathematische Stochastik Klausur Statistik für Studierende der Fachrichtungen Hydrologie und Altlasten/Abwasser zugelassene Hilfsmittel: Taschenrechner
MehrUntersuchung von Algorithmen zur Fehlerlokalisation und Prognose in Automatisierungsprozessen. Yongrui Qiao Yongrui Qiao
Untersuchung von Algorithmen zur Fehlerloalisation und Prognose in Automatisierungsprozessen Yongrui Qiao Yongrui Qiao Übersicht. Motivation und Problemstellung. Theoretische Grundlagen stochastisch-gestörter
MehrKapitel 4. Geldpolitik und Erwartungsbildung. 4.1 Philip Cagan's Modell der Hyperination. Nachfrage nach Geld
Kapitel 4 Geldpolitik und Erwartungsbildung Literatur: B. McCallum (998), Monetary Economics, Chap. 7 (Inationary Dynamics), Chap. 8 (Rational Expectations) p. 33-74 4. Philip Cagan's Modell der Hyperination
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 1 bis 4 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
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
MehrML-Schätzung. Likelihood Quotienten-Test. Zusammenhang Reparametrisierung und Modell unter linearer Restriktion. Es gilt: β = Bγ + d (3.
Reparametrisierung des Modells Gegeben sei das Modell (2.1) mit (2.5) unter der linearen Restriktion Aβ = c mit A R a p, rg(a) = a, c R a. Wir betrachten die lineare Restriktion als Gleichungssystem. Die
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
MehrZusammenfassung 11. Sara dos Reis.
Zusammenfassung 11 Sara dos Reis sdosreis@student.ethz.ch Diese Zusammenfassungen wollen nicht ein Ersatz des Skriptes oder der Slides sein, sie sind nur eine Sammlung von Hinweise zur Theorie, die benötigt
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
Mehr1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt:
Beispiele zum Üben und Wiederholen zu Wirtschaftsstatistik 2 (Kurs 3) 1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt: Haushaltseinkommen 12 24 30 40 80 60
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
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
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 20
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 20 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
MehrKurs 9.3: Forschungsmethoden II
MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 07: Fehlerkorrekturmodell / Kointegration Dezember 2014 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Einführung 4 Variante "Vernachlässigen"
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
MehrKorrelation und Regression
FB 1 W. Ludwig-Mayerhofer und 1 und FB 1 W. Ludwig-Mayerhofer und 2 Mit s- und sanalyse werden Zusammenhänge zwischen zwei metrischen Variablen analysiert. Wenn man nur einen Zusammenhang quantifizieren
MehrLösungsvorschläge zur Klausur Beschreibende Statistik und Wirtschaftsstatistik (Sommersemester 2013)
Lösungsvorschläge zur Klausur Beschreibende Statistik und Wirtschaftsstatistik (Sommersemester 203) Aufgabe (9 Punkte) Ein metrisches Merkmal X sei in einer Grundgesamtheit vom Umfang n = 200 diskret klassiert.
MehrÜbungsblatt 4. Autokovarianz, Autokorrelation Invertierbarkeit und Kausalität
Empirische Methoden (MA) SS 2011 Übungsblatt 4 Willi Mutschler willi.mutschler@uni-muenster.de Autokovarianz, Autokorrelation Invertierbarkeit und Kausalität 1. Sei Z t W N(0, σ 2 ). Bestimmen Sie den
Mehr3.3 Konfidenzintervalle für Regressionskoeffizienten
3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird
Mehr