6. Statistische Schätzung von ARIMA Modellen
|
|
- Gerhardt Burgstaller
- vor 7 Jahren
- Abrufe
Transkript
1 6. Statistische Schätzung von ARIMA Modellen Vorschau: ARIMA Modelle Modellidentifikation verschiedene Schätzverfahren Modelldiagnostik Fallstudien Zeitreihenanalyse 1
2 6.1 ARIMA Modelle Bisher: ARMA(p,q)-Modelle: φ(b)y t = θ(b)z t Jetzt: ARIMA(p, d, q)-modelle: Autoregressive Integrated Moving Average Prozess: φ(b)(1 B) d Y t = θ(b)z t wobei die charakteristischen Polynome φ(.) und θ(.) nur Lösungen ausserhalb des Einheitskreises besitzen. d-te Differenz ist stationärer ARMA(p,q)-Prozess. Zeitreihenanalyse 2
3 Beispiel: ARIMA(1,1,0) 5 Realisationen mit α = 0.7: x Zeitreihenanalyse 3
4 Anpassung von ARIMA-Modellen 1. Identifikation der Ordnung 2. Schätzung der Modellparameter 3. Diagnostische Checks des angepassten Modells Zeitreihenanalyse 4
5 6.2 Identifikation Visuelle Checks auf Stationarität Geht das Korrelogramm rasch gegen Null? evtl. Differenzenbildung Inspektion von Autokorrelations- und partieller Autokorrelationsfunktion Suche nach characteristischen cut-offs. Vergleich der AIC-Werte für realistische Modelle AIC = 2l(ˆθ ML ) + 2 Anzahl der Parameter z.b. Funktion ar() Zeitreihenanalyse 5
6 Das partielle Autokorrelogramm Schätze sequentiell AR(p)-Modelle, der letzte Koeffizient α p ist der p-te partielle Autokorrelationskoeffizient. Idee: AR(p)-Prozess hat characteristischen cut-off der partiellen Autokorrelationen Berechnung über empirische Yule-Walker-Gleichungen: p r k = ˆα l,p r k l : k = 1, 2,..., p l=1 wobei ˆα l,p die Schätzung des l-ten Koeffizienten α l unter Annahme eines AR(p)-Prozesses ist. Zeitreihenanalyse 6
7 Das partielle Autokorrelogramm II Die Yule-Walker-Gleichungen p r k = ˆα l,p r k l : k = 1, 2,..., p l=1 lassen sich in Matrixschreibweise kompakt darstellen: r = R ˆα wobei r = (r 1,..., r p ), R = (r i j ) (Dimension p p) und ˆα = ˆα 1,p,..., ˆα p,p. Es folgt: ˆα = R 1 r partieller Autokorrelationskoeffizient a p = ˆα p,p Zeitreihenanalyse 7
8 Das partielle Autokorrelogramm III Funktion pacf() Unter H 0 : AR(p)-Prozess sind die partiellen Autokorrelationen a k für k > p asymptotisch N(0, 1/n)-verteilt Konfidenzintervalle Suche nach characteristischen cut-off der partiellen Autokorrelationen nach lag p für AR(p)-Prozess Zeitreihenanalyse 8
9 6.3 Schätzung von ARIMA-Modellen Betrachte leicht verallgemeinertes Modell Y t µ = p α i (Y t i µ) + Z t + q β j Z t j i=1 j=1 mit p + q + 2 unbekannten Parametern µ = E(Y t ), σ 2 = V ar(z t ), α 1,..., α p und β 1,..., β q. naive Ansätze KQ-Methode ML-Methode unter Annahme von Normalverteilung Zeitreihenanalyse 9
10 Beispiel: AR(1)-Prozess; naiver Schätzansatz Y t µ = α(y t 1 µ) + Z t mit Z t N(0, σ 2 ) Schätzung der Parameter durch ˆµ = ȳ ˆα = r 1 ˆσ 2 = n ( ((y t ˆµ) ˆα(y t 1 ˆµ)) 2 )/(n 1) t=2 Zeitreihenanalyse 10
11 Beispiel: AR(1)-Prozess; KQ-Methode Schätze µ und α durch Minimierung der Summe der quadrierten Residuen n S(µ, α) = ((y t µ) α(y t 1 µ)) 2 Beachte: t=2 Summe beginnt mit t = 2, da für t = 1 die notwendige Information y 0 nicht vorliegt. Implizit wird das Residuum für t = 1 also gleich Null gesetzt bedingte KQ-Methode Zeitreihenanalyse 11
12 Beispiel: AR(1)-Prozess; KQ-Schätzer ˆµ = ˆα = ( n 1 t=2 ) y t ˆα (y n ˆαy 1 ) /(n 1) n (y t ˆµ)(y t 1 ˆµ)/ t=2 n (y t 1 ˆµ) 2 t=2 woraus sich in Analogie zum linearen Modell ein Schätzer für σ 2 konstruieren läßt: ˆσ 2 = ( n ((y t ˆµ) ˆα(y t 1 ˆµ)) 2 )/(n 3) t=2 Ähnlich wie die naiven Schätzer! Zeitreihenanalyse 12
13 Beispiel: AR(1)-Prozess; ML-Ansatz p(y 1,..., y n ) = p(y 1 ) n p(y t y t 1 ) t=2 }{{} bed. Likelihood L c Damit folgt unter Normalverteilungsannahme für die bedingte Log-Likelihood L c = n 1 2 log σ 2 1 2σ 2 n ((y t µ) α(y t 1 µ)) 2 } t=2 {{} S(µ,α) Man erhält also für ˆµ und ˆα die KQ-Schätzer! Zeitreihenanalyse 13
14 Beispiel: AR(1)-Prozess; ML-Schätzer II Für ˆσ 2 erhält man im bed. ML-Ansatz n ˆσ 2 = ( ((y t ˆµ) ˆα(y t 1 ˆµ)) 2 )/(n 1) t=2 Bei einem vollen ML-Ansatz muss auch noch der Beitrag von y 1 zur Likelihood berücksichtigt werden. Bei Annahme von Stationarität gilt: y 1 N(µ, σ 2 /(1 α 2 )), daher ist der Beitrag von y 1 zur Log-Likelihood gleich 1 2 log σ log(1 α2 ) (1 α 2 )(y 1 µ) 2 /(2σ 2 ) Zeitreihenanalyse 14
15 Beispiel: AR(1)-Prozess; ML-Schätzer III Die Gesamt-Likelihood ergibt sich also zu L c = n 2 log σ log(1 α2 ) ( 1 2σ 2 (1 α 2 )(y 1 µ) 2 + ) n ((y t µ) α(y t 1 µ)) 2 t=2 numerische Methoden zur Maximierung Zeitreihenanalyse 15
16 Beispiel: Hormon-Daten, Annahme eines AR(1)-Prozesses Methode ˆα ˆµ ˆσ 2 KQ (s.e.) (0.1186) (0.1567) ML (s.e.) (0.1161) (0.1466) Diese Schätzungen sind zu vergleichen mit den naiven Schätzern r 1 = , ȳ = 2.4 und ˆσ 2 = Zeitreihenanalyse 16
17 Die allgemeine Likelihood bei ARMA(p,q)-Prozessen basiert auf Log-likelihood der multivariaten Normalverteilung N(µ, Σ) mit µ = µ1 und Σ = σ 2 V (α, β) = σ 2 V : L = 1 2 log Σ 1 2 (y µ)t Σ 1 (y µ) = 1 2 {n log σ2 + log V + (y µ) T V 1 (y µ)/σ 2 } Die Form von V (α, β) ist durch die Wahl des ARMA-Modells bestimmt, z.b. beim AR(1): V = 1 1 α 2(α i j ) i,j Zeitreihenanalyse 17
18 Profile Likelihood Eine reduzierte Form der Likelihood ergibt sich durch profiling : Berechne für festes α and β ˆµ(α, β) = ( 1 T V 1 (α, β)y ) / ( 1 T V 1 (α, β)1 ) ˆσ 2 (α, β) = n 1 (y ˆµ(α, β)1) T V 1 (α, β) (y ˆµ(α, β)1) die ML-Schätzer bzgl. L und setze die Schätzer dann in obige Likelihood ein. Die sich ergebene Profile-Log-Likelihood ( reduced log likelihood ) hängt dann nur noch von α und β ab und hat die Form L 0 (α, β) = 1 2 ( n log σ 2 (α, β) + log V (α, β) ) Zeitreihenanalyse 18
19 Diagnostische Checks: Berechnung von Residuen Generelles Vorgehen: Die Residuen erhält man durch Auflösen der geschätzten Modellgleichung nach den Variablen Z 1,..., Z n. Am einfachsten bei AR(p)-Prozessen: p z t = (y t ˆµ) ˆα j (y t j ˆµ) j=1 t = p + 1,..., n mit Modifikationen für t = 1,..., p Zeitreihenanalyse 19
20 Rekursive Berechnung bei MA(q)-Prozessen z 1 = (y 1 ˆµ) z 2 = (y 2 ˆµ) + ˆβ 1 z 1. z t = q (y t ˆµ) + ˆβ j z t j j=1 t = q , n Zeitreihenanalyse 20
21 Residuen bei ARMA(p,q)-Prozessen z t = (y t ˆµ) p ˆα i (y t i ˆµ) q ˆβ j z t j, i=1 j=1 t = p , n mit Modifikationen für t <= p. Die Residuen sollten nun approximativ weisses Rauschen sein. Berechnung von Korrelogramm, kumulativem Periodogramm, und entsprechenden Tests Funktion tsdiag() Zeitreihenanalyse 21
22 Beispiel Hormon-Daten, AR(1)-Modell Standardized Residuals Time ACF of Residuals ACF Lag p values for Ljung Box statistic p value lag Zeitreihenanalyse 22
23 Weitere Residualchecks trial overfitting: Annahme ein ARMA(p, q)-modell ist korrekt identifiziert. Erhöhen der Ordnung des MA- bzw AR- Teils um jeweils eine Einheit ergibt eine Verbesserung der maximierten Log-Likelihood, die (mal dem Faktor 2) χ 2 1- verteilt sein sollte ( LQ-Test). spectral checking: Vergleich des theoretischen Spektrums des identifizierten ARMA(p, q)-modells mit dem empirisch geschätzten Spektrum. Zeitreihenanalyse 23
24 Fallstudien Hormon-Daten, dritte Zeitreihe Luchszeitreihe data(lynx) Zeitreihenanalyse 24
Stochastische 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
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..............................
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
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
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
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
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
Mehr6. Schätzung stationärer ARMA-Modelle
6. Schätzung stationärer ARMA-Modelle Problemstellung: Statistische Anpassung eines stationären ARMA(p, q)-prozesses an eine Stichprobe von t = 1,..., T Prozessbeobachtungen Es bezeichne x 1,..., x T die
MehrKompaktskript zur Vorlesung Prognoseverfahren
Kompaktskript zur Vorlesung Prognoseverfahren Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
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
Mehr5 Allgemeine Verfahren zum Testen von Hypothesen
5 Allgemeine Verfahren zum Testen von Hypothesen 5.1 Likelihood Schätzung für multivariate Daten Statistisches Modell: Einfache Zufallsstichprobe X 1,..., X n (unabhängige Wiederholungen von X IR d ).
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
MehrModul: Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung. Leseprobe
Prof. Dr. Hermann Singer Modul: 32681 Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung Kurs: 00889 Version vom 10/2004 Überarbeitet am 10/2015 Leseprobe Inhaltsverzeichnis 1 Überblick
MehrModul Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung
Prof. Dr. Hermann Singer Modul 32681 Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung Kurs 00889 Version vom 10/2004 Überarbeitet am 10/2015 Leseprobe Fakultät für Wirtschaftswissenschaft
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:...................................................................
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 =
MehrKapitel 9. ARMA Modelle. Stationäre und nicht-stationäre Prozesse: White noise und random walk. ARMA: Autoregressive moving average Modelle
Kapitel 9 ARMA Modelle Josef Leydold c 2006 Mathematische Methoden IX ARMA Modelle 1 / 65 Lernziele Stationäre und nicht-stationäre Prozesse: White noise und random walk ARMA: Autoregressive moving average
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
MehrTeil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.
Woche 11: Multiple lineare Regression Patric Müller Teil XIII Multiple lineare Regression ETHZ WBL 17/19, 10.07.017 Wahrscheinlichkeit und Statistik Patric Müller WBL
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
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
MehrTeekonsum in den USA (in 1000 Tonnen), Nimmt den Wert 1 an für alle Perioden, Durchschnittlicher Preis des Tees in Periode t (in Tausend $/Tonne).
Aufgabe 1 (5 Punkte) Gegeben sei ein lineares Regressionsmodell in der Form. Dabei ist y t = x t1 β 1 + x t β + e t, t = 1,..., 10 (1) y t : x t1 : x t : Teekonsum in den USA (in 1000 Tonnen), Nimmt den
MehrStrukturgleichungsmodellierung
Strukturgleichungsmodellierung FoV Methodenlehre FSU-Jena Dipl.-Psych. Norman Rose Parameterschätzung, Modelltest & Fit Indizes bei SEM Forschungsorientierte Vertiefung - Methodenlehre Dipl.-Psych. Norman
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
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
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
MehrVorlesung: Lineare Modelle
Vorlesung: Lineare Modelle Prof Dr Helmut Küchenhoff Institut für Statistik, LMU München SoSe 2014 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen
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
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
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
MehrDynamische Systeme und Zeitreihenanalyse // Autoregressive moving average Modelle 12 p.2/??
Dynamische Systeme und Zeitreihenanalyse Autoregressive moving average Modelle Kapitel 12 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Autoregressive moving
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
Mehr1.1 Notation. Der Index t indiziert dabei den Zeitpunkt, an dem die (metrische) Beobachtung y t gemacht wurde
1.1 Notation Eine Zeitreihe bezeichnen wir durch {y t, t = 1,..., n} Der Index t indiziert dabei den Zeitpunkt, an dem die (metrische) Beobachtung y t gemacht wurde Die Beobachtungen sind unter Umständen
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr.
Statistik II Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 2. Parameterschätzung: 2.1 Grundbegriffe; 2.2 Maximum-Likelihood-Methode;
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 /
MehrX =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrStochastik Praktikum Parametrische Schätztheorie
Stochastik Praktikum Parametrische Schätztheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 05.10.2010 Prolog Momentenmethode X : Ω 1 Ω Zufallsgröße, die Experiment beschreibt. Ein statistisches
MehrEinführung in die Induktive Statistik: Regressionsanalyse
Einführung in die Induktive Statistik: Regressionsanalyse Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Regressionsanalyse Ziel: Analyse
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrStochastik Praktikum Lineare Modelle
Stochastik Praktikum Lineare Modelle Thorsten Dickhaus Humboldt-Universität zu Berlin 06.10.2010 Übersicht 1 Einfache lineare Regression 2 Multiple lineare Regression 3 Varianzanalyse 4 Verallgemeinerte
Mehr3. Das einfache lineare Regressionsmodell
3. Das einfache lineare Regressionsmodell Ökonometrie: (I) Anwendung statistischer Methoden in der empirischen Forschung in den Wirtschaftswissenschaften Konfrontation ökonomischer Theorien mit Fakten
Mehr5 Multivariate stationäre Modelle
5 Multivariate stationäre Modelle 5.1 Autoregressive distributed lag (ADL) 5.1.1 Das Modell und dessen Schätzung Im vorangehenden Kapitel führten wir mit der endogenen verzögerten Variablen, y t 1, als
MehrStochastik Praktikum Zeitreihenanalyse
Stochastik Praktikum analyse Humboldt-Universität zu Berlin 14.10.2010 Übersicht 1 in R 2 Trend und lineare Filter 3 Saisonale Analyse mit LOESS 4 Spektralanalyse 5 ARIMA Modelle Übersicht 1 in R 2 Trend
MehrVorlesung 13a. Schätzen von Parametern. Teil 2
Vorlesung 13a Schätzen von Parametern Teil 2 Unser Logo der ersten Stunde: X P ϑ (X da) = ρ ϑ (da), ϑ Θ S Ein Logo der Statistik: X Θ S P ϑ (X da) = ρ ϑ (da), ϑ Θ Ein Logo der Statistik: X Θ t S P ϑ (X
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
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
MehrLS-Schätzer. SSE(β) = (y µ) t (y µ) = y t y 2β t X t y + β t X t Xβ. Minimiere SSE(β) bzgl. β: Minimum definiert durch
LS-Schätzer Sei µ = Xβ mit rg(x) = p und β = (β 1,..., β p ) t SSE(β) = (y µ) t (y µ) Minimiere SSE(β) bzgl. β: = y t y 2β t X t y + β t X t Xβ β SSE(β) = 2Xt y + 2X t Xβ. Minimum definiert durch X t X
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...
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
Mehr8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme)
8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme) Annahme B4: Die Störgrößen u i sind normalverteilt, d.h. u i N(0, σ 2 ) Beispiel: [I] Neoklassisches Solow-Wachstumsmodell Annahme einer
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
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
Mehr6.2 Lineare Regression
6.2 Lineare Regression Einfache lineare Regression (vgl. Kap. 4.7) Y i = θ 0 + θ 1 X i + ǫ i ǫ i (0, σ 2 ) ˆθ 1 ˆθ 0 = S XY S 2 X = 1 ( Yi n ˆθ ) 1 Xi als Lösung der Minimumaufgabe n (Y i θ 1 X 1 θ 0 )
MehrDemokurs. Modul Vertiefung der Wirtschaftsmathematik Vertiefung der Statistik
Demokurs Modul 3741 Vertiefung der Wirtschaftsmathematik und Statistik Kurs 41 Vertiefung der Statistik 15. Juli 010 Seite: 14 KAPITEL 4. ZUSAMMENHANGSANALYSE gegeben, wobei die Stichproben(ko)varianzen
MehrVorlesung 12a. Schätzen von Parametern. Teil 2
Vorlesung 12a Schätzen von Parametern Teil 2 1 Unser Logo der ersten Stunde: X P ϑ (X da) = ρ ϑ (da), ϑ Θ S 2 Ein Logo der Statistik: Θ ˆϑ t X S P ϑ (X da) = ρ ϑ (da), ϑ Θ Θ... Parameterraum S... Beobachtungsraum
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 3.6 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula
Mehr2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme)
2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme) Annahme A1: Im multiplen Regressionsmodell fehlen keine relevanten exogenen Variablen und die benutzten exogenen Variablen x 1,
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
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:
MehrUniversität Freiburg Schweiz Université de Fribourg Suisse Seminar für Statistik Séminaire de Statistique. Prof. Dr. Klaus Neusser
Universität Freiburg Schweiz Université de Fribourg Suisse Seminar für Statistik Séminaire de Statistique Prof. Dr. Klaus Neusser Wirtschafts- und Sozialwissenschaftliche Fakultät Schriftliches Examen
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
MehrPoisson Regression & Verallgemeinerte lineare Modelle
Poisson Regression & Verallgemeinerte lineare Modelle 20.11.2017 Motivation Ausgangslage Wir haben Anzahldaten (count data) Y i, cf. Vorlesung zu kategoriellen Variablen. Zu jeder Beobachtung Y i haben
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
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrTheorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann Probe-Klausur zur Vorlesung Ökonometrie Theorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte (die eigentliche Klausur wird
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
MehrÜbung 1: Mathematische und statistische Grundlagen
Lehrstuhl für BWL, insb. Mathematik und Statistik Übung 1: Mathematische und statistische Grundlagen Berechnen Sie die Schiefe und Kurtosis folgender Zufallsvariablen: a) X besitzt die Dichte { 2x für
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrZeitreihenanalyse. 1 Einleitung. 2 Autoregressive Prozesse, lineare Differenzengleichungen
Zeitreihenanalyse Enno MAMMEN Department of Economics, University of Mannheim L7, 3-5, 68131 Mannheim, Germany E mail: emammen@rumms.uni-mannheim.de February 22, 2006 1 Einleitung Klassisches Komponentenmodell,
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
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
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
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
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
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
MehrSchriftliche Prüfung (2 Stunden)
Prof. Peter Bühlmann Mathematik IV: Statistik Sommer 2013 Schriftliche Prüfung (2 Stunden) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
Mehr(G)LM. 24. November 2009
(G)LM 24 November 29 Dies ist eine kurze Zusammenfassung der Grundlagen von linearen Modellen, sowie aufbauend darauf von generalisierten linearen Modellen Sie dient lediglich zum Einstieg und zur knappen
MehrDas empirische VaR bzw. CVaR
Das empirische VaR bzw. CVaR Sei x 1, x 2,..., x n eine Stichprobe der unabhängigen identischverteilten ZV X 1, X 2,..., X n mit Verteilungsfunktion F (Notation: Die ZV X 1, X 2,..., X n sind i.i.d. Empirische
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
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
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
Mehr2 Stationarität. Strikte Stationarität
2 Stationarität. Strikte Stationarität Die in 1 benutzten Begriffe sind noch zu präzisieren : Definition 2.1. a) Ein stochastischer Prozess {X t } t T heißt strikt stationär, falls für je endlich viele
MehrEinführung in Bootstrap
Kapitel 5 Einführung in Bootstrap Literatur zum Thema: - Efron B, Tibshirani RJ: An Introduction to the Bootstrap (1993) - Hall P: The Bootstrap and Edgeworth Expansion (1992) - Davison AC: Recent Developments
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
Mehr2 Anwendungen und Probleme
Prof. Dr. Werner Smolny Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 05 Tel. 0731 50 24261 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
Mehr