Zeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
|
|
- Ralph Solberg
- vor 7 Jahren
- Abrufe
Transkript
1 Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006
2 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe Stochastischer Prozess: Eine Zeitreihe ist eine Realisation des betrachteten stochastischen s: 3. Zusammen - fassung Biologie Physik Wirtschaftswissenschaften Finanzmathematik Charakterisierung Bildung eines Modells Vorhersage
3 Inhaltsangabe - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Hauptteil: 1. Kennzahlen und Begriffe stochastischer : Mittelwertfunktion, Autokovarianz, Autokorrelation und Stationarität, Weißes Rauschen 2. Autoregressive (AR)-, Grundlagen, Beispiele 3. Moving Average (MA)-, Grundlagen, Beispiele 4. Kombination von 1. & 2. zu ARMA sowie ARIMA-n 5. Parameter-Fitting mit dem Maximum--Ansatz
4 Die Mittelwertfunktion - MA- - AR- Beobachtung einer Zufallsvariable Y t liefert: Ausdehnung der Beobachtungszeit: Immer noch einzelne Realisation des s! Betrachtung von I verschiedenen Realisationen: Dichtefunktion f (y Yt t)von Y t mit dem Erwartungswert:
5 Autokovarianz, Varianz Stationarität und Autokorrelation - MA- - AR- Definition der j-ten Autokovarianz von Y t : Nullte Autokovarianz entspricht der Varianz: Falls für alle t und j gilt: Prozess ist kovarianzstationär Für j-te Autokorrelation solcher gilt:
6 Ergodizität - Längsschnittdaten gleich Querschnittdaten Stationarität nicht hinreichend für konsistente Schätzungen von Mittelwerten & Korrelationen! - MA- - AR- Forderung der Ergodizität: Stationärer Prozess mit Mittelwertfunktion und Kovarianzfunktion heißt 1. mittelwertergodisch, wenn 2. kovarianzergodisch, wenn
7 Ergodizität - Längsschnittdaten gleich Querschnittdaten - MA- - AR- Prozess genau dann mittelwertergodisch, wenn gilt: Absolute Summierbarkeit
8 Weißes Rauschen - MA- - AR- Definition: Eine Sequenz für die gilt: Spezialfall: Gaußsches Weißes es Rauschen
9 MA(1) - Moving Average-Prozess erster Ordnung MA(1) - Prozess wird beschrieben durch: - MA- - AR- Mittelwertfunktion: Nullte Autokovarianzfunktion entspricht Varianz: Erste Autokovarianz: Erste Autokorrelation:
10 Autokorrelationsfunktion eines MA(1)- s in Abhängigkeit von Θ - MA- - AR- 2 verschiedene MA(1)- können die gleiche Autokorrelationsfunktion besitzen
11 MA(1) - Moving Average-Prozess erster Ordnung - MA- - AR- Zusammenfassend: Stationär Absolut summierbar, also mittelwertergodisch Falls Weißes Rauschen normalverteilt, dann kovarianzergodisch Nur drei Werte zu schätzen: Erwartungswert, Varianz und Kovarianz
12 Autokorrelationsfunktion eines MA(1)-s in Abhängigkeit von j - MA- - AR-
13 MA(q) Moving Average-Prozess q-ter Ordnung Charakterisiert durch: - MA- - AR- Erwartungswert: Varianz: j-te Autokovarianz: Autokorrelationsfunktion ergibt Null nach q Verzögerungen; MA(q)-Prozess ist kovarianz- stationär, mittelwert- und kovarianzergodisch
14 Autokorrelationsfunktion eines MA(4)-s in Abhängigkeit von j - MA- - AR-
15 AR(1) Autoregressiver-Prozess erster Ordnung Prozessgleichung: - MA- - AR- Zufallsvariable nicht nur von Vorgängerin abhängig! Iteration: Prozess für! Der AR-Prozess ist invertierbar ; AR(1)- Prozess ist kovarianzstationär, mittelwert- und kovarianzergodisch (Rauschen normalverteilt)
16 AR(1) Autoregressiver-Prozess erster Ordnung Mittelwertfunktion: - MA- - AR- Varianzfunktion: Kovarianzfunktion: Autokorrelationsfunktion:
17 Autokorrelationsfunktion eines AR(1)-s in Abhängigkeit von j - MA- - AR-
18 Verhalten eines AR(1)-s in Abhängigkeit von Φ - MA- - AR-
19 Verhalten eines AR(1)-s in Abhängigkeit von Φ - MA- - AR- Beispiel mit Maple (1)
20 Nichtstationäres Zeitreihenmodell - MA- - AR- Offensichtlich nichtstationär!
21 Nichtstationäres Zeitreihenmodell: Random Walk - MA- - AR- Sonderfall mit Φ = 1 und der Prozessgleichung: Mit Anfangswert y 0 vor t Perioden liefert Rekursion: Erwartungswert wächst/sinkt linear mit Zeit falls β ungleich Null; Random Walk mit Drift : Random Walk ohne Drift zwar mittelwertstationär, jedoch gilt für Varianz:
22 Random Walk - MA- - AR- Beispiel mit Maple (2)
23 AR(p) Autoregressiver-Prozess p-ter Ordnung Stochastischer Prozess mit Gleichung: - MA- - AR- Wenn Stationaritätsbedingung erfüllt ist gilt: Wann ist ein AR(p)-Prozess stationär? Genau dann, wenn alle Nullstellen außerhalb des Einheitskreises liegen, also λ >1 gilt!
24 AR(p) Autoregressiver-Prozess p-ter Ordnung Autokovarianzfunktionen: - MA- - AR- Division durch γ o ergibt Yule-Walker Gleichungen: Autokovarianz- und Autokorrelationsfunktion folgen der gleichen Differenzengleichung wie der AR(p)-Prozess selbst!
25 Kombination von AR(p)- und MA(q)- n zu ARMA(p,q) Gleichung des stochastischen s: - MA- - AR- Autoregressiver Prozess, wobei der Störterm korreliert ist! Genau dann stationär, wenn AR-Teil stationär Erwartungswert nur von AR-Parametern abhängig Autokovarianz- und Autokorrelationsfunktion entsprechen für Verzögerungen von j>q denen der AR-Differenzengleichung, ansonsten komplizierter Wold (1938) sowie Box und Jenkins (~1970)
26 Kombination von AR(p)- und MA(q)- n zu ARMA(p,q) - MA- - AR- Beispiel mit Maple (3)
27 ARIMA Bei Trends oder saisonale Schwankungen Grundidee: Anwendung von Differenzenfiltern zur Bereinigung: - MA- - AR- Rückrechnung der ursprünglichen Reihe aus Differenzenreihe: Integration ARIMA(p,d,q)-Prozess - Autoregressiver integrierter Moving Average Prozess: Statistischer Prozess,der durch d-malige Summation aus stationärem ARMA(p,q)-Prozess hervorgeht
28 Maximum Estimation - MA- - AR- Bisherige Annahme: Parameter (c, φ 1,, φ p,θ 1,,θ q, σ 2 ) bekannt MLE ist Methode um die unbekannten Parameter aus gegebener Realisation eines stochastischen s zu bestimmen Wahrscheinlichkeitsdichte: Wahrscheinlichkeit, spezifische Realisation zu beobachten Idee: MLE von Θ maximiert Wahrscheinlichkeitsdichte
29 Maximum Estimation für einen gaußschen AR(1)-Prozess - MA- - AR- Prozessgleichung: Unbekannte Parameter: Wahrscheinlichkeitsverteilung von Y 1 : Wahrscheinlichkeitsverteilung von Y 2 :
30 Maximum Estimation für einen gaußschen AR(1)-Prozess Wahrscheinlichkeitsdichte für gesamte Realisation: - MA- - AR- Logarithmieren: Explizit für f r gaußschen AR(1)-Prozess Prozess: Maximierung
31 Zusammenfassung - MA- - AR- Kennzahlen: Erwartungswert, Autokovarianz, Autokorrelation Lineare Modelle: AR, MA, ARMA, ARIMA, Sonderfall Random Walk Parameterberechnung: Maximum Estimation Ausblick!
32 Seminar Finanzmathematik: Zeitreihenanalyse Fragen?
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
MehrKompaktskript zur Vorlesung Prognoseverfahren
Kompaktskript zur Vorlesung Prognoseverfahren Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
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
Mehr3. ARMA-Modelle. Jetzt: Wichtigste Modellklasse für stationäre Prozesse
3. ARMA-Modelle Jetzt: Wichtigste Modellklasse für stationäre Prozesse Definition 3.1: (ARMA(p, q)-prozess) Gegeben sei das Weiße Rauschen {ɛ t } t Z WR(0, σ 2 ). Der Prozess {X t } t Z heißt AutoRegressiver-Moving-Average-Prozess
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
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
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
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
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
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
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,
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
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...
Mehr4. Empirische Momente von ZR. 4. Empirische Momente von ZR. 4. Empirische Momente von ZR. 4. Empirische Momente von ZR
Im Allgemeinen wird sich das Verhalten einer ZR über die Zeit ändern, z.b. Trend, saisonales Verhalten, sich verändernde Variabilität. Eine ZR wird als stationär bezeichnet, wenn sich ihr Verhalten über
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
MehrStochastische Prozesse in der Zeitreihenanalyse
Stochastische in der Zeitreihenanalyse Mike Hüftle 31. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1 Stochastische und Zeitreihenanalyse........... 2 1.2 Zeitreihenanalyse...........................
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:
MehrMA Projekt: Langfristige Kapitalmarktsimulation
MA Projekt: Langfristige Kapitalmarktsimulation Einführung in die Zeitreihenanalyse Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen
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
MehrFolien zur Vorlesung. Zeitreihenanalyse (Time Series Analysis)
Folien zur Vorlesung Zeitreihenanalyse (Time Series Analysis) Wintersemester 2014/2015 Mittwoch 14.00 15.30 Uhr Hörsaal: J 498 Prof. Dr. Bernd Wilfling Westfälische Wilhelms-Universität Münster Inhalt
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
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 /
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
MehrII 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
MehrStationäre Zeitreihenmodelle
Exemplarisch für parametrische Zeitreihenmodelle werden in diesem Kapitel autoregressive Prozesse und ARCH-Prozesse vorgestellt. Der autoregressive Prozess ist einer der einfachsten stationären Prozesse.
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
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
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
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
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
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
MehrEmpirische Wirtschaftsforschung
Empirische Wirschafsforschung Prof. Dr. Bernd Süßmuh Universiä Leipzig Insiu für Empirische Wirschafsforschung Volkswirschafslehre, insbesondere Ökonomerie 9.6. Zeireihen und Zeireihenmodelle Prinzipielle
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
MehrAngewandte Ökonometrie Übung. Endogenität, VAR, Stationarität und Fehlerkorrekturmodell
Angewandte Ökonometrie Übung 3 Endogenität, VAR, Stationarität und Fehlerkorrekturmodell Zeitreihenmodelle Zeitreihenmodelle Endogenität Instrumentvariablenschätzung Schätzung eines VARs Tests auf Anzahl
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
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
MehrWirtschaftsmathematik Wirtschaftsstatistik
Wirtschaftsmathematik Wirtschaftsstatistik Ökonometrie ARMA-Prozesse Prof. Dr. Franz Seitz, Weiden / Dr. Benjamin R. Auer, Leipzig Neben den formalen Grundlagen von ARMA-Prozessen (Autoregressive Moving
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
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
MehrWichtige 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
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
MehrWas sind Zeitreihen? Software. Literatur. Überblick. Beispiele. Grundbegriffe
Kap. 1: Einführung Was sind Zeitreihen? Software Literatur Überblick Beispiele Grundbegriffe 1.1 Was sind Zeitreihen? Datentypen in der Ökonometrie: Querschnittsdaten Beispiel: Daten für 5 000 Haushalte
MehrStatistische Kennwerte und -funktionen. Dr.-Ing. habil. H. Nobach
Statistische Kennwerte und -funktionen Dr.-Ing. habil. H. Nobach 1. Einführung Statistische Kennwerte und -funktionen, wie Mittelwert Varianz Wahrscheinlichkeitsdichte Autokorrelation spektrale Leistungsdichte
MehrKurs 9.3: Forschungsmethoden II
MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 5: Trends und Unit-Root-Test / ARIMA-Modelle November 214 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Ziele 5 Trend 6 ARIMA-Modell
MehrFormelsammlung Zeitreihenanalyse in den Wirtschaftswissenschaften
Formelsammlung Zeitreihenanalyse in den Wirtschaftswissenschaften Sommersemester 2017 Prof Dr Hans-Jörg Starkloff & Dr Andreas Wünsche Stand: 21 Juli 2017 1 1 Einleitung 11 Elemente der deskriptiven Zeitreihenanalyse
MehrAnpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood KARLSRUHER INSTITUT FÜR TECHNOLOGIE (KIT) 0 KIT 06.01.2012 Universität des Fabian Landes Hoffmann Baden-Württemberg und nationales Forschungszentrum
MehrThema:ARMA-Prozesse. Johannes Blank 8. Juni 2010
Thema:ARMA-Prozesse Johannes Blank 8. Juni 2010 Abstract Zeitreihen, also stoch. Prozesse mit Indexmenge Z, spielen in der Ökonometrie (der mathematisch formalisierte Teil der Wirtschaftswissenschaften)
MehrAllpass-Transformation
Grundidee: Allpass-Transformation Entwurf eines IIR-Filters H p (z) mit bekanntem Verfahren Abbildung des Frequenzgangs durch Transformation der Frequenzvariablen Transformation durch Substitution ζ =
Mehr6 Nichtstationarität und Kointegration
6 Nichtstationarität und Kointegration 6.1 Kapitelübersicht, Problematik Die Analyse nichtstationärer Zeitreihen wird folgende Gesichtspunkte anschneiden: Definition von Nichtstationarität, von integrierten
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
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
MehrKapitel 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
Mehrunivariate/multivariate Zeitreihenanalyse
univariate/multivariate Zeitreihenanalyse lineare Verfahren - statistische Momente - Fourier Transformation - Hilbert Transformation - Wavelet Transformation - Auto- / Kreuzkorrelationsfunktion - ARMA-Modelle
MehrRegressionsmodelle mit Anwendungen in der Versicherungs- & Finanzwirtschaft SS 2015
Regressionsmodelle mit Anwendungen in der Versicherungs- & Finanzwirtschaft SS 2015 Univ.-Prof. Dr. Michael Merz Universität Hamburg Übungsaufgaben Übungsaufgaben c 2015 M. Merz Universität Hamburg Regressionsmodelle
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/??
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
MehrTrend, Zyklus und Zufall
Rainer Metz Trend, Zyklus und Zufall Bestimmungsgründe und Verlaufsformen langfristiger Wachstumsschwankungen Franz Steiner Verlag INHALTSVERZEICHNIS Vorwort Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis
MehrFormelsammlung für Wirtschaftswissenschaftler
Fred Böker Formelsammlung für Wirtschaftswissenschaftler Mathematik und Statistik PEARSON.. ;. ; ; ; *:;- V f - - ' / > Щ DtUClllirn ein Imprint von Pearson Education München Boston San Francisco Harlow,
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
MehrETWR Teil B. Spezielle Wahrscheinlichkeitsverteilungen (stetig)
ETWR Teil B 2 Ziele Bisher (eindimensionale, mehrdimensionale) Zufallsvariablen besprochen Lageparameter von Zufallsvariablen besprochen Übertragung des gelernten auf diskrete Verteilungen Ziel des Kapitels
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrInhaltsverzeichnis. Vorwort 13. Teil I Beschreibende Statistik 17. Kapitel 1 Statistische Merkmale und Variablen 19
Inhaltsverzeichnis Vorwort 13 Teil I Beschreibende Statistik 17 Kapitel 1 Statistische Merkmale und Variablen 19 1.1 Statistische Einheiten und Grundgesamtheiten 19 1.2 Merkmale und Merkmalsausprägungen
MehrDynamische Systeme und Zeitreihenanalyse // Saisonbereinigung und Glättung 10 p.2/??
Dynamische Systeme und Zeitreihenanalyse Saisonbereinigung und Glättung Kapitel 10 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Saisonbereinigung und Glättung
MehrStatistische Methoden der VWL und BWL Theorie und Praxis ST?
Statistische Methoden der VWL und BWL Theorie und Praxis ST? Vorwort 13 Teil I Beschreibende Statistik 17 Kapitel 1 Statistische Merkmale und Variablen 19 1.1 Statistische Einheiten und Grundgesamtheiten
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
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrFraktionale Integration und Kointegration in Theorie und Praxis
Fraktionale Integration und Kointegration in Theorie und Praxis Inauguraldissertation zur Erlangung des akademischen Grades eines Doktors der Wirtschaftswissenschaften an der Wirtschaftswissenschaftlichen
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
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
MehrZeitreihenanalyse Fallbeispiele aus der Meteorologie
Zeitreihenanalyse Fallbeispiele aus der Meteorologie Diplomarbeit in der Studienrichtung Technische Mathematik zur Erlangung des akademischen Grades Diplom-Ingenieurin eingereicht an der Fakultät für Mathematik,
MehrStatistische 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
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
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
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
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
MehrRegression 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
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
MehrSignale und Systeme Reaktion linearer Systeme auf stationäre stochastische Signale
Signale und Systeme Reaktion linearer Systeme auf stationäre stochastische Signale Gerhard Schmidt Christian-Albrechts-Universität zu Kiel Technische Faculty of Engineering Fakultät Elektrotechnik Institute
MehrFinanzzeitreihen Teil 2
Teil 2 Mathematisches Institut der Universität zu Köln Wintersemester 09/10 Betreuung: Prof. Schmidli, J. Eisenberg Literatur : Quantitative Risk Management Wu Jui Sun Contents 1 Wiederholung 2 1.1 Value
Mehr4. Nichtstationarität und Kointegration
4. Nichtstationarität und Kointegration 4.1 Einheitswurzeltests (Unit-Root-Tests) Spurious regression In einer Simulationsstudie haben Granger und Newbold (1974) aus zwei unabhängigen Random Walks (Unit-Root-Prozesse)
MehrKalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern
Kalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern Vorlesung Robotik SS 016 Kalmanfiter () Kalman-Filter: optimaler rekursiver Datenverarbeitungsalgorithmus optimal hängt vom gewählten
MehrValidierung von Strukturmodellen mit Messdaten aus natürlicher Erregung
Validierung von Strukturmodellen mit Messdaten aus natürlicher Erregung Gerrit Übersicht Antwortmessung unter natürlicher Erregung Systemidentifikation mit ARMA-Modellen Modellvalidierung mit iterativen
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrAnpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood Hauptseminar - Methoden der experimentellen Teilchenphysik WS 2011/2012 Fabian Hoffmann 2. Dezember 2011 Inhaltsverzeichnis 1 Einleitung
MehrKapitel VII. Einige spezielle stetige Verteilungen
Kapitel VII Einige spezielle stetige Verteilungen D. 7.. (Normalverteilung) Eine stetige Zufallsgröße X sei als normalverteilt bezeichnet, wenn sie folgende Wahrscheinlichkeitsdichte besitzt: µ f ( ; µ,
MehrProbeklausur zu Mathematik 3 für Informatik
Gunter Ochs Juli 0 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immel ohne Galantie auf Fehreleiheit Sei f ln a Berechnen Sie die und die Ableitung f und f Mit der Produktregel erhält
Mehr5. Stichproben und Statistiken
5. Stichproben und Statistiken Problem: Es sei X eine ZV, die einen interessierenden Zufallsvorgang repräsentiere Man möchte die tatsächliche Verteilung von X kennenlernen (z.b. mittels der VF F X (x)
MehrKurs Empirische Wirtschaftsforschung
Kurs Empirische Wirtschaftsforschung 5. Bivariates Regressionsmodell 1 Martin Halla Institut für Volkswirtschaftslehre Johannes Kepler Universität Linz 1 Lehrbuch: Bauer/Fertig/Schmidt (2009), Empirische
MehrUnivariate Box/Jenkins-Modelle in der Zeitreihenanalyse Thome, Helmut
www.ssoar.info Univariate Box/Jenkins-Modelle in der Zeitreihenanalyse Thome, Helmut Veröffentlichungsversion / Published Version Zeitschriftenartikel / journal article Zur Verfügung gestellt in Kooperation
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
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
MehrModellierung stationärer Prozesse zur Analyse von Residuen
Universität Stuttgart Geodätisches Institut Modellierung stationärer Prozesse zur Analyse von Residuen Studienarbeit im Studiengang Geodäsie und Geoinformatik an der Universität Stuttgart Julian Daubrawa
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
Mehr