Einleitung. Kapitel 1
|
|
- Kilian Schuler
- vor 7 Jahren
- Abrufe
Transkript
1 Kapitel 1 Einleitung Die mathematische Analyse von Zeitreihen gewinnt wegen ihrer vielseitigen Anwendungsmöglichkeiten zunehmend an Bedeutung. Zu den wichtigsten Zeitreihen in der Ökonometrie zählen Preisverläufe, Arbeitslosenzahlen und Wirtschaftskennziffern. Wasserstandsänderungen eines Gewässers, monatliche Niederschlagsmengen oder der Ozongehalt der Luft beschäftigen Hydrologen und Ökologen, während das Wachstum von Populationen oder Geburtenraten in der Biologie von Interesse sind. Weitere Anwendungsgebiete liegen in der Physik, der Medizin und der Spracherkennung. Zeitreihen sind dadurch charakterisiert, dass die Observablen zufälligen Fluktuationen unterworfen sind und zudem nicht nur wie in der Regressionsanalyse von exogenen Variablen abhängen, sondern die Abhängigkeiten der Beobachtungen untereinander von Bedeutung sind. Im mathematischen Sinne entspricht eine Zeitreihe einem stochastischen Prozess mit diskreter Indexmenge, die in den meisten Fällen als Zeitkoordinate aufgefasst wird. Das Hauptziel der Zeitreihenanalyse besteht darin, einem vorliegenden Datensatz ein geeignetes Modell anzupassen, das den zugehörigen Prozess hinreichend präzise beschreibt, um anschließend unter Verwendung des Modells die zukünftige Entwicklung des Prozesses vorherzusagen. Manchmal sind auch die Eigenschaften der Zeitreihe selbst von Bedeutung. Zum Beispiel ist es Astronomen gelungen, anhand von Messungen des zeitlichen Verlaufs der elektromagnetischen Strahlung weitentfernter Spiralnebel die Existenz eines Neutronensterns im Sternbild des Stiers nachzuweisen (crab nebula, PSR ). Ein sehr allgemeiner Ansatz zur Modellierung von stochastischen Prozessen (Z t ) t Z geht von der funktionalen Beschreibung des bedingten Erwartungswertes auf der Grundlage vorangegangener Beobachtungen sowie äußerer Einflüsse (X t1 ) t Z,..., (X tr ) t Z aus: Z t = m(z t 1,..., Z t p, X t1,..., X tr ) + σ(z t 1,..., Z t p )ε t. (1.1) Dabei ist (ε t ) t Z eine Folge von unabhängigen, identisch verteilten Zufallsvariablen mit Erwar- 1
2 2 KAPITEL 1. EINLEITUNG tung 0 und konstanter Varianz 1. Ausgehend von den Beobachtungen z 1,..., z p, x 1,..., x r sind die bedingte Erwartung durch E(Z t Z t 1 = z 1,..., X tr = x r ) = m(z 1,..., x r ) und die bedingte Varianz durch Var(Z t Z t 1 = z 1,..., Z t p = z p ) = σ 2 (z 1,..., z p ) gegeben. Die bedingte Erwartung ist die (mittels der Methode der kleinsten mittleren quadratischen Abweichung bestimmte) 1-Schritt-Vorhersage von Z t und kann daher zur Vorhersage zukünftiger Beobachtungen verwendet werden; zur Bestimmung von Vorhersageintervallen wird zusätzlich die bedingte Varianz benötigt. Viele gängige parametrische Modelle werden durch diesen Ansatz erfasst, unter anderem das lineare Regressionsmodell der Ordnung r mit der Regressionsfunktion m(z t 1,..., Z t p, X t1,..., X tr ) = r ϑ i X ti, ϑ i R (1.2) und das lineare autoregressive Modell der Ordnung p, kurz AR(p), mit der Regressionsfunktion m(z t 1,..., Z t p, X t1,..., X tr ) = p φ i Z t i, φ i R. (1.3) Durch geeignete Wahl der Funktion m ergeben sich eine Vielzahl anderer klassischer (auto-) regressiver Modelle wie beispielsweise exponential AR-, Logistic AR- und Threshold AR-Modelle. Während in diesen Modellen σ meist als konstant und somit zeitunabhängig angenommen wird, lassen sich Zeitreihen in der Finanzmathematik besser modellieren, wenn die auf die Vergangenheit bedingte Varianz zeitabhängig ist. Für σ(z 1,..., z p ) = α 0 + p α izt i 2 ergibt sich das von Engle (1982) eingeführte autoregressive Modell mit bedingter Heteroskedastizität der Ordnung p, kurz ARCH(p)-Modell, das in der Finanzmathematik als Ausgangspunkt für komplexere Modellklassen dient (vgl. Gouriéroux (1997)). Charakteristisch für die Zeitreihenanalyse ist eine durchgehende Dualität zweier Betrachtungsweisen. Die Analyse im Zeitbereich ist dadurch motiviert, dass die Korrelation zwischen zeitlich aufeinander folgenden Beobachtungen am besten dadurch beschrieben wird, wie der gegenwärtige Wert von den vergangenen abhängt. Insofern konzentriert sie sich darauf, zukünftige Werte einer Zeitreihe als Funktion des gegenwärtigen und vergangener Werte zu modellieren, zum Beispiel unter Verwendung des allgemeinen Modells (1.1) oder eines parametrischen Modells wie (1.3). Im Gegensatz dazu basiert die Analyse im Frequenzbereich auf der Vorstellung, dass eine Zeitreihe als Überlagerung deterministischer oder stochastischer Schwingungen mit verschiedenen Frequenzen entsteht. In den Naturwissenschaften ist diese Darstellung aus der Beobachtung zahlreicher Naturphänomene her bekannt. Zum Beispiel erwärmt sich die Wasseroberfläche des Pazifiks alle drei bis sieben Jahre in Folge des El Ninõ-Effekts und scheint ihrerseits einen Einfluss auf die lokalen Fischbestände auszuüben. Das menschliche Ohr zerlegt die Zeitreihe der am Trommelfell registrierten Luftdruckschwankungen in ihre Frequenzkomponenten, wodurch die Wahrnehmung von Tönen möglich wird.
3 3 Das wichtigste Instrument bei der Analyse im Frequenzbereich ist die Spektraldichte f, auch Spektrum genannt, die für einen zentrierten, reellwertigen stationären Prozess (Z t ) t Z im Falle der Existenz wie folgt definiert ist: f(λ) = 1 2π k= γ k e iλk = 1 2π (γ γ k cos(λk)), k=1 λ [ π, π], dabei bezeichnen γ k = E(Z t Z t+k ) für k Z die Autokovarianzen des Prozesses. Zu jeder Frequenz λ im Intervall [ π, π] kann f(λ) als gewichtete Summe zyklischer Komponenten gedeutet werden. Umgekehrt sind die Autokovarianzen zu jedem Lag k eindeutig durch die Spektraldichte bestimmt, so dass die Eigenschaften eines stationären Prozesses bis zur 2. Ordnung durch Kenntnis der Spektraldichte vollständig erklärt werden. Insofern kann die Analyse im Frequenzbereich als Regression auf die erzeugenden Frequenzen interpretiert werden, während die Analyse im Zeitbereich eine Regression auf die Vergangenheit darstellt. In der vorliegenden Arbeit werden beide Ansätze weiter verfolgt. Wie eingangs erwähnt, dient die Betrachtung von Zeitreihen zum einen der Beschreibung des zeitlichen Vorgangs selbst sowie der Prognose der zukünftigen Entwicklung. In einigen Anwendungen suggerieren ökonomische oder physikalische Zusammenhänge die Wahl eines bestimmten Modells oder zumindest einer Klasse von Modellen mit einem oder mehreren Parametern. Innerhalb dieser Modellklasse lassen sich dann die Prozess-Parameter schätzen und Prognosen für zukünftige Beobachtungen bestimmen. Sollten hingegen keine a-priori-informationen vorliegen, so ist es von großer Bedeutung, zuerst eine geeignete Klasse von Modellen auszuwählen. Hier gibt es eine Reihe von Strategien. Parametrische Tests bedürfen der korrekten Wahl einer Klasse von Alternativmodellen (siehe z.b. Luukkonen, Saikkonen und Teräsvirta (1988, 1988a) für Linearitätstests), wofür in der Realität jedoch oft Anhaltspunkte fehlen. Sinnvoller ist die Verwendung von nichtparametrischen Verfahren, die keine zusätzlichen Informationen benötigen. Viele nichtparametrische Tests zur Überprüfung linearer oder komplexerer parametrischer Strukturen wurden im Kontext der Regressionsanalyse entwickelt. In der Literatur sind im wesentlichen zwei unterschiedliche Vorgehensweisen zu erkennen, zum einen die Verwendung von Kernschätzmethoden (z.b. Härdle und Mammen (1993), Zheng (1996) und Dette (1999)), zum anderen die von empirischen Prozessen (z.b. Stute (1997)). Die in diesen Arbeiten vorgeschlagenen Testverfahren wurden zum Teil auf Zeitreihen verallgemeinert (vgl. Fan und Li (1999), Kreiss, Neumann und Yao (1998), Koul und Stute (1999)) sowie durch ähnliche Verfahren ergänzt (vgl. Hjellvik und Tjøstheim (1995), Hjellvik, Yao und Tjøstheim (1998)). Charakteristisch für die vorgeschlagenen Tests ist es zu überprüfen, ob die unbekannte Regressionsfunktion m in M Θ = {m ϑ ϑ Θ}, einer endlichdimensionalen parametrischen Klasse von Regressionsfunktionen, z.b. die der autoregressiven Modelle mit p-dimensionalem Parameter ϑ = (φ 1,..., φ p ) T, liegt.
4 4 KAPITEL 1. EINLEITUNG Verfahren im Zeitbereich sind nicht zur Untersuchung von Modellannahmen geeignet, bei denen zusätzlich zu vergangenen Beobachtungen auch vergangene Störungen einen Einfluss auf die gegenwärtige Beobachtung haben. Eine einfache, in der Praxis äußerst häufig verwendete Modellklasse sind die autoregressiven moving average Modelle der Ordnungen p und q, kurz ARMA(p, q)-modelle, die durch die Beziehung p q Z t φ i Z t i = ε t + a j ε t j, j=1 φ i, a i R definiert sind. Dahingegen ist es möglich, ein nichtparametrisches Testverfahren auf Grundlage der Spektraldichte zu konstruieren, welche für einen ARMA(p, q)-prozess mit konstanter Fehlervarianz σ 2 (unter gewissen Bedingungen an die Koeffizienten) durch f(λ) = σ2 1 + q j=1 a je 2πiλj 2 2π 1 p k=1 φ ke 2πiλk, λ [ π, π] 2 gegeben ist. Ein solcher Test überprüft dann die Zugehörigkeit von f zu F Θ = {f ϑ ϑ Θ}, einer endlichdimensionalen parametrischen Klasse von Spektraldichten, etwa die der Spektraldichten eines ARMA(p, q)-prozesses mit Parameter ϑ = (φ 1,..., φ p, a 1,..., a q, σ 2 ) T. In der Literatur findet man bisher nur wenige Ergebnisse zu nichtparametrischen Tests im Frequenzbereich. Auf der Theorie empirischer Prozesse basiert ein Verfahren von Andersen (1993), das jedoch nur den Spezialfall eines festen, nicht mehr in den Parametern variierenden Modells behandelt. Mögliche Verallgemeinerungen auf parametrische Modellannahmen werden von Mikosch und Stărică (1999) vorgestellt. Ein kürzlich entwickeltes Testverfahren von Paparoditis (2000) verwendet Kernschätzmethoden. Gegenstand der vorliegenden Arbeit sind nichtparametrische Tests auf parametrische Modellannahmen unter Verwendung von Kernschätzern. In Kapitel 2 konzentrieren wir uns auf die Analyse im Zeitbereich und untersuchen die Hypothesen H 0 : m M Θ gegen H 1 : m / M Θ. Eine von Zheng (1996) für unabhängige Daten verwendete Teststatistik basiert auf einem empirischen Abstandsmaß zwischen der unbekannten Regressionsfunktion m und ihrer Projektion auf den Raum M Θ und lässt sich direkt auf allgemeinere stationäre Prozesse übertragen. Wir be- ziehen uns auf mischende Prozesse, genauer auf absolut reguläre 1 Prozesse, bei denen die Beobachtungen mit wachsendem zeitlichem Abstand hinreichend schnell unabhängiger werden. In der Teststatistik definiert der unter der Annahme eines parametrischen Modells dominierende Term eine U-Statistik mit variablem (d. h. vom Stichprobenumfang abhängigem), degeneriertem 2 Kern, 1 s. Definition s. Definition 2.14
5 5 für die asymptotische Normalität mit Hilfe eines zentrales Grenzwertsatzes von Hjellvik, Yao und Tjøstheim (1998) bewiesen wird. Während dazu in der Literatur bereits eine Reihe von Ergebnissen vorliegt, ist die Asymptotik unter Alternativen bisher nicht behandelt worden. Wir entwickeln einen zentralen Grenzwertsatz für U-Statistiken mit variablem, nichtdegeneriertem Kern basierend auf absolut regulären Prozessen, der anschließend zum Beweis der asymptotischen Normalität unter H 1 benutzt wird und der außerdem in anderen Anwendungen der Theorie der U-Statistiken nützlich sein kann. Anschließend wird die Asymptotik zweier weiterer Verfahren vorgestellt. Die Ergebnisse unter H 0 erlauben die Konstruktion von Tests auf parametrische Modellannahmen, die Resultate unter H 1 ermöglichen eine Approximation der Fehlerwahrscheinlichkeit 2. Art. Darüber hinaus ist zu beachten, dass in der Praxis keine Regressionsfunktion einer vorgegebenen parametrischen Funktionenklasse angehört. Daher wird für hinreichend großen Stichprobenumfang und feste Irrtumswahrscheinlichkeit die Nullhypothese fast sicher abgelehnt werden. Dieses Problem kann durch eine Formulierung des Testproblems in Umgebungshypothesen behoben werden. Dazu wird überprüft, ob ein geeignet definierter Abstand d(m, M Θ ) hinreichend klein ist. Vertauscht man außerdem die Hypothesen und betrachtet das Testproblem H η 0 : d(m, M Θ) > η gegen H η 1 : d(m, M Θ) η, (1.4) so kann man unter Verwendung der Resultate dieser Arbeit einen Test konstruieren, der zugunsten des parametrischen Modells mit kontrollierter Irrtumswahrscheinlichkeit entscheidet. Der Wert für η gibt dabei an, welche Abweichung vom parametrischen Modell noch akzeptiert werden soll. In Kapitel 3 diskutieren wir einen Test auf parametrische Modellannahmen aus der Perspektive des Frequenzbereichs und betrachten dazu die Hypothesen H 0 : f F Θ gegen H 1 : f / F Θ. Die hier verwendete Teststatistik wurde von Paparoditis (2000) vorgestellt und deren asymptotische Normalität unter H 0 gezeigt. Eine wesentliche Voraussetzung an den zugehörigen Prozess ist nicht mehr die Gültigkeit von Mischungseigenschaften, sondern die Darstellung als Laurentreihe, deren Koeffizienten gewissen Bedingungen genügen. Wir bestimmen auch hier das asymptotische Verhalten unter H 1. In Kapitel 4 werden schließlich Anhaltspunkte dafür gegeben, in welchen Fällen Tests im Zeitbereich bzw. im Frequenzbereich vorzuziehen sind. Eine Anwendung in der Finanzmathematik wird beschrieben. Abschließend werden die Tests in einer Simulationsstudie miteinander verglichen.
7. 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
Stochastik-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
Statistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
Zeitreihenanalyse. 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
Die Funktion f wird als Regressionsfunktion bezeichnet.
Regressionsanalyse Mit Hilfe der Techniken der klassischen Regressionsanalyse kann die Abhängigkeit metrischer (intervallskalierter) Zielgrößen von metrischen (intervallskalierten) Einflussgrößen untersucht
So berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
Monte-Carlo Tests. Diplomarbeit. Wiebke Werft. Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf
Monte-Carlo Tests Diplomarbeit Wiebke Werft Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2003 Betreuung: Prof. Dr. Arnold Janssen Inhaltsverzeichnis Einleitung
Klassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
Wichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
Theorie 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
Statistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
Statistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
Teil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
2 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
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
Zufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
Ökonometrische 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
Einführung 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
EGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN
1 EGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN UFBAU 1 Historie 2 Anwendungen / Ziele 3 Lineare Regression/ Beispiel KQ 4 Nichtlineare Regression 5 Eigenschaften der Schätzer istorie früheste Form
Gewöhnliche 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
Statistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
Goethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
Klassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Die Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
7. Hypothesentests. Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang. X habe die unbekannte VF F X (x)
7. Hypothesentests Ausgangssituation erneut: ZV X repräsentiere einen Zufallsvorgang X habe die unbekannte VF F X (x) Interessieren uns für einen unbekannten Parameter θ der Verteilung von X 350 Bisher:
Kapitel 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
Dynamische 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
Statistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
k np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
Dr. 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
Übung 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
Kapitel VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
x 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 =
Statistik 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
Cox-Regression. Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells
Cox-Regression Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells In vielen Fällen interessiert, wie die Survivalfunktion durch Einflussgrößen beeinflusst
Mathematische 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
II Stationäre Zeitreihen
II Stationäre Zeitreihen Bei der Modellierung von Zeitreihen in Anwendungen spielen ARMA(p, q)-modelle eine wichtige Rolle. Sie sind als stationäre Lösungen stochastischer Differenzgleichungen mit konstanten
Regressionsmodelle 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:...................................................................
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
Grundlagen der schließenden Statistik
Grundlagen der schließenden Statistik Schätzer, Konfidenzintervalle und Tests 1 46 Motivation Daten erhoben (Umfrage, Messwerte) Problem: Bei Wiederholung des Experiments wird man andere Beobachtungen
Stationäre Zeitreihenmodelle
Exemplarisch für parametrische Zeitreihenmodelle werden in diesem Kapitel autoregressive Prozesse und ARCH-Prozesse vorgestellt. Der autoregressive Prozess ist einer der einfachsten stationären Prozesse.
Kapitel 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
Zeitreihenanalyse. 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,
3.Wiederholung: Toleranzbereiche Für EX Geg:
3.Wiederholung: Toleranzbereiche Für EX Geg: Vl. 24.2.2017 Schätzfunktion für Güte: Ist X Problem: Feb 17 13:21 > Wir berechnen Bereiche (Toleranzbereiche) für sind untere und obere Grenzen, berechnet
Das (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
Kapitel 2.1: Die stochastische Sicht auf Signale Georg Dorffner 67
Kapitel 2.1: Die stochastische Sicht auf Signale 215 Georg Dorffner 67 Stochastische Prozesse Stochastische Prozesse sind von Zufall geprägte Zeitreihen x n f x, n 1 xn2,... n vorhersagbarer Teil, Signal
Allgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
Einleitung. (i) stationären long-memory oder mit
Die Klasse der ARMA(p, q)-modelle besitzen eine ganz zentrale Stellung im Rahmen der Zeitreihenanalyse. Man kann zeigen, dass die Autokovarianzfunktion eines ARMA-Prozesses exponentiell abfällt und somit
4 Autokovarianzfunktion und Spektralmaß
4 Autokovarianzfunktion und Spektralmaß Im Folgenden sei {X t } t T T R und eine komplexwertige stationäre Zeitreihe mit T Z oder m : EX t γ(h) : Cov(X t, X t+h ) E(X t+h m)(x t m) [ acv.f. ] ρ(h) : γ(h)γ(0)
Deskriptive 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,
Fortgeschrittene Ökonometrie: Maximum Likelihood
Universität Regensburg, Lehrstuhl für Ökonometrie Sommersemester 202 Fortgeschrittene Ökonometrie: Maximum Likelihood Poissonverteilung Man betrachte die poisson-verteilten Zufallsvariablen y t, t =, 2,...,
Musterlösung. 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
Nachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester Oktober 2011
Nachklausur Wahrscheinlichkeitstheorie und Inferenz II Sommersemester 2011 28. Oktober 2011 Prof. Dr. Torsten Hothorn Institut für Statistik Nachname: Vorname: Matrikelnummer: Anmerkungen: ˆ Schreiben
Kapitel XI - Operationscharakteristik und Gütefunktion
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Operationscharakteristik und Gütefunktion Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo
Kapitel XIV - Anpassungstests
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIV - Anpassungstests Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh 2. Grundannahme:
3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
1 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...
Statistik II. Regressionsanalyse. Statistik II
Statistik II Regressionsanalyse Statistik II - 23.06.2006 1 Einfachregression Annahmen an die Störterme : 1. sind unabhängige Realisationen der Zufallsvariable, d.h. i.i.d. (unabh.-identisch verteilt)
Klausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
Teil 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
2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
Kapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
Lösung 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
Bachelorprüfung: Statistik (1 Stunde)
Prof. H.R. Künsch D-BIOL, D-CHAB Winter 2010 Bachelorprüfung: Statistik (1 Stunde) Bemerkungen: Es sind alle mitgebrachten schriftlichen Hilfsmittel und der Taschenrechner erlaubt. Natels sind auszuschalten!
Inferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
5 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 ).
Vorlesung 6: Alternativen zur Erwartungsnutzentheorie
Vorlesung 6: Alternativen zur Erwartungsnutzentheorie Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Entscheidung VL 6 (FS 11) Alternativen zur Erwartungsnutzentheorie 1 / 21 1.
3 Bedingte Erwartungswerte
3 Bedingte Erwartungswerte 3.3 Existenz und Eindeutigkeit des bedingten Erwartungswertes E A 0(X) 3.6 Konvexitätsungleichung für bedingte Erwartungswerte 3.9 Konvergenzsätze von Levi, Fatou und Lebesgue
Statistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
Klassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Übungsaufgaben 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
Vorbereitung auf 3. Übungsblatt (Präsenzübungen) - Lösungen
Prof Dr Rainer Dahlhaus Statistik 1 Wintersemester 2016/2017 Vorbereitung auf Übungsblatt (Präsenzübungen) - Lösungen Aufgabe P9 (Prognosen und Konfidenzellipsoide in der linearen Regression) Wir rekapitulieren
Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10
6 Hypothesentests Gauß-Test für den Mittelwert bei bekannter Varianz 6.3 Beispiel für Gütefunktionen Rechtsseitiger Test (µ 0 = 500) zum Signifikanzniveau α = 0.10 G(µ) 0 α 0. 0.4 0.6 0.8 1 n = 10 n =
Spezifische innere Volumina
Spezifische innere Volumina Stochastische Geometrie und ihre en - Zufallsfelder Regina Poltnigg und Henrik Haßfeld Universität Ulm 13. Januar 2009 1 Regina Poltnigg und Henrik Haßfeld 1 2 Berechnung von
John 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
1 Verteilungsfunktionen, Zufallsvariable etc.
4. Test M3 ET 27 6.6.27 4. Dezember 27 Regelung für den.ten Übungstest:. Wer bei den Professoren Dirschmid, Blümlinger, Vogl oder Langer die UE aus Mathematik 2 gemacht hat, sollte dort die WTH und Statistik
Mathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Januar 2011 1 Vergleich zweier Erwartungswerte Was heißt verbunden bzw. unverbunden? t-test für verbundene Stichproben
y = b 0 + b 1 x 1 x 1 ε 1. ε n b + b 1 1 x n 2) Hat die Größe x einen Einfluss auf y, d.h. gilt die Hypothese: H : b 1 = 0
8 Lineare Modelle In diesem Abschnitt betrachten wir eine spezielle Klasse von statistischen Modellen, in denen die Parameter linear auftauchen Wir beginnen mit zwei Beispielen Beispiel 8 (lineare Regression)
Statistik 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:.............................................................................
1.5.4 Quantile und Modi. Bem [Quantil, Modus]
1.5.4 Quantile und Modi 1.5 Erwartungswert und Varianz Bem. 1.73. [Quantil, Modus] und Vertei- Analog zu Statistik I kann man auch Quantile und Modi definieren. Gegeben sei eine Zufallsvariable X mit Wahrscheinlichkeitsverteilung
Regression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
2. Formulieren von Hypothesen. Nullhypothese: H 0 : µ = 0 Gerät exakt geeicht
43 Signifikanztests Beispiel zum Gauß-Test Bei einer Serienfertigung eines bestimmten Typs von Messgeräten werden vor der Auslieferung eines jeden Gerätes 10 Kontrollmessungen durchgeführt um festzustellen,
Regression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
Statistik 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
Probeklausur - Statistik II, SoSe 2017
Probeklausur - Statistik II, SoSe 2017 Aufgabe 1: Mehrdimensionale Zufallsvariablen (15 Punkte) Gegeben sei ein zweidimensionaler stetiger Zufallsvektor X = (X 1, X 2 ) T mit der gemeinsamen Dichtefunktion
Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
Kapitel 13. Grundbegriffe statistischer Tests
Kapitel 13 Grundbegriffe statistischer Tests Oft hat man eine Vermutung über die Verteilung einer Zufallsvariablen X. Diese Vermutung formuliert man als Hypothese H 0.Sokönnte man daran interessiert sein
Versuchsplanung und multivariate Statistik Sommersemester 2018
Versuchsplanung und multivariate Statistik Sommersemester 2018 Vorlesung 11: Lineare und nichtlineare Modellierung I Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6.6.2018
Biometrieübung 10 Lineare Regression. 2. Abhängigkeit der Körpergröße von der Schuhgröße bei Männern
Biometrieübung 10 (lineare Regression) - Aufgabe Biometrieübung 10 Lineare Regression Aufgabe 1. Düngungsversuch In einem Düngeversuch mit k=9 Düngungsstufen x i erhielt man Erträge y i. Im (X, Y)- Koordinatensystem