3 Trend- und Saisonkomponenten
|
|
- Peter Maus
- vor 6 Jahren
- Abrufe
Transkript
1 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 t + X t, wobei m t = Trendkomponente, s t = Saisonkomponente, { X t } stationäre Zeitreihe. Dann : Statistische Analyse der stationären Zeitreihe { X t } und Rückschlüsse auf {X t } ; Alternativ (vgl. Box und Jenkins, 970) : Transformation von {X t } durch Differenzenbildung bis stationäre Zeitreihe vorliegt. Die obigen Methoden zur Elimination von Trend- und Saisonkomponenten werden hier kurz diskutiert : a) Elimination von Trendkomponenten (bei Modellen ohne Saisoneffekt) : X t = m t + X t, t =,...,n.. Methode (Kleinste-Quadrate-Schätzung) : Annahme eines parametrischen Modells für m t, z.b. m t = a 0 + a t + a 2 t 2, und Schätzung der unbekannten Parameter, hier a 0,a,a 2, aus den Daten x,...,x n nach der KQ-Methode : n ( xt a 0 a t a 2 t 2) 2! = min â0,â,â2 a 0,a,a 2 Normalgleichungen [ partielle Ableitungen = 0 ] : Mit x =(x,...,x n ), a =(a 0,a,a 2 ) und 2 2 B = 2 folgt aus... n n 2 8
2 x Bâ 2! =min a x Ba 2 notwendig : a x Ba 2 â = a (x Ba) (x Ba) B Bâ = B x Normalgleichung â = 2B (x Bâ) = 0 Falls B B regulär : â = (B T B) B T x KQ-Schätzer. Im Beispiel : B B = n Σt Σt 2 Σt Σt 2 Σt 3 Σt 2 Σt 3 Σt 4. Bemerkung 3.. B regulär = B B regulär. 2. Methode (Moving-Average-Filter) : Schätzung von m t durch Elimination der stochastischen Komponente über Mittelung benachbarter Werte, etwa W t = 2q + X t+j (2q + -Punkte-Mittel) Effekt : Bei X t = m t + X t folgt W t = 2q + m t+j + 2q + m t + 0, X t+j falls {m t } (lokal) linear ist und die stochastischen Fluktuationen im Mittel verschwinden (E X t =0). Also ist W t =ˆm t ein brauchbarer Schätzer für m t und Y t := X t ˆm t eine trendbereinigte Zeitreihe. 9
3 Bemerkung 3.2. Falls x,...,x n beobachtet wurden, kann ˆm t als symmetrisches Mittel nur für t = q +,...,n q gebildet werden. In den übrigen Punkten kann man einseitige Mittel benutzen, z.b. ˆm t = n t ˆm t = t (α konstant, 0. α 0.3 geeignet). α( α) j X t+j, t =,...,q, bzw. α( α) j X t j, t = n q +,...,n Schematisch : Linearer Filter {x t} Linearer Operator (y t = ) a j x t+j j= {y t}={ ˆm t} MA-Filter : low-pass filter Linearer Trend bleibt erhalten (niedrige Frequenzen, s.u.) ; Stochastische Fluktuationen werden eliminiert. Bemerkung 3.3. Bei geschickter Wahl der Gewichte bleiben nicht nur lineare Trends erhalten, z.b. Spencer s-5 Punkte-MA : a j = a j (j =,...,7), a j =0 (j = ±8, ±9,...), [ a 0,...,a 7 ]= [74, 67, 46, 2, 3, 5, 6, 3]. 320 Effekt : Ein kubischer Trend m t = a + bt + ct 2 + dt 3 bleibt erhalten (vgl. Brockwell-Davis (99), Problem.2). 0
4 3. Methode (Differenzenbildung) : Moving average u.a. : Elimination des Rauschens ; Differenzenbildung : Elimination des Trends. (Backward) Shift-Operator : BX t := X t ;. Differenzenoperator : DX t := ( B)X t := X t X t. Rekursiv : D 0 :=,D k+ := D(D k ) (k =0,,...). Beispiel 3.. ) m t = a 0 + a t, t =0, ±,..., Dm t a, t =0, ±,.... Aus X t = m t + X t mit m t = a 0 + a t wird Y t = DX t = a + D X t (konstanter Trend). 2) m t = a 0 + a t + a 2 t 2, Dm t = (a a 2 )+2a 2 t, D 2 m t 2a 2. Allgemein (für k ) : Ist X (k) t stationär, so ist = m (k) t + X t mit m (k) t = k a j t j, { X t } t=0,±,... Y t := D k X (k) t = k! a k + D k X(k) t = k! a k + Xt, wobei { Xt } wieder stationär ist. Bemerkung 3.4. In der Praxis genügt oft - oder 2-malige Differenzenbildung. Anwendung (z.b. für k = ) : Finde Modell für {Y t }, z.b. ARMA (p, q)-modell, Schätzungen, Vorhersagen ; aus X t = Y t + X t = Y t + + Y + X 0 (t N) dann statistische Aussagen über {X t }. b) Elimination von Trend- und Saisoneffekt Modell : X t = m t + s t + X t, t =,...,n, mit s t+p = s t, s t =0,E X t = 0 und bekannter Periode p =2q ;2q +. n = kp (z.b. Monatswerte (p = 2) über k Jahre beobachtet).
5 . Schritt : Vorabschätzen der Trendkomponente (MA) p = 2q + : m t := x t+j p p = 2q : m t := p { 2 (x t q + x t+q )+ q j= (q ) x t+j } q<t n q. 2. Schritt : Schätzen der Saisonkomponente (i) Mittelwerte über trendbereinigte Daten y t = x t m t : s t := y t+jp, t =,...,p, wobei J t j J t J t := {j Z q<t+ jp n q} (zulässige Beobachtungen), J t = Anzahl der Elemente in J t. Nicht notwendigerweise s t =0, daher (ii) Mittelwertskorrektur : ŝ t := s t s, wobei s := p s t. 3. Schritt : Schätzen des Trends aus saisonbereinigten Daten, d.h. bilde z t := x t ŝ t (t =,...,n) und schätze den Trend ˆm t wie im Modell ohne Saisoneffekt (s.o.). 4. Schritt : Statistische Analyse des (geschätzten) stationären Anteils ˆx t := ˆm t ŝ t. Alternative Methode : Differenzenbildung ( zum Lag p ) Modell : X t = m t + s t + X t (w.o.), Periode p bekannt. Lag-p-Differenzenoperator : D p X t := X t X t p Effekt : D p X t =(m t m t p ) +( X t }{{} X t p ) }{{} Trend stationär Dann : Elimination des Trends wie in a). Die oben behandelten (heuristischen) Methoden dienen dazu, Zeitreihen in stationäre Zeitreihen zu transformieren. Letztere werden im Folgenden eingehend behandelt. 2
6. Das klassische Komponentenmodell. 6. Das klassische Komponentenmodell. 6. Das klassische Komponentenmodell. 6. Das klassische Komponentenmodell
6. Das klassische Komponentenmodell Gegeben sei eine ZR x t für die Zeitpunkte t = 1,..., T. Im additiven klassischen Komponentenmodell wird sie folgendermaßen zerlegt: x t = ˆm t + ŝ t + ε t ˆm t ist
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
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
Mehr11. Zeitreihen mit Trend und Saisonalität
In diesem Abschnitt geht es um ZR, die in eine Trend-, eine Saisonund eine Restkomponente zerlegt werden können. (Das Niveau sei in der Trendkomponente enthalten.) Beispiele für solche ZR sind in Abb.
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
MehrAusgewählte Probleme der Ökonometrie
Ausgewählte Probleme der Ökonometrie Bernd Süßmuth IEW Institute für Empirische Wirtschaftsforschung Universität Leipzig October 16, 2012 Bernd Süßmuth (Universität Leipzig) APÖ October 16, 2012 1 / 13
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
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
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 /
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
MehrÜberschrift. Titel Prognosemethoden
Überschrift Prognosemethoden Überschrift Inhalt 1. Einleitung 2. Subjektive Planzahlenbestimmung 3. Extrapolierende Verfahren 3.1 Trendanalyse 3.2 Berücksichtigung von Zyklus und Saison 4. Kausale Prognosen
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
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Regression: 4 eindimensionale Beispiele Berühmte
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
MehrKapitel X - Lineare Regression
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel X - Lineare Regression Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Agenda 1 Untersuchung
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:
MehrPrognoseverfahren von Michaela Simon 7.Semester Spezialisierung Finanzwirtschaft
Prognoseverfahren von Michaela Simon 7.Semester Spezialisierung Finanzwirtschaft Inhaltsverzeichnis I. Allgemeine Aussagen II. Subjektive Planzahlenbestimmung III. Extrapolierende Verfahren 1. Trendanalyse:
MehrKapitel XII - Einführung in die Zeitreihenanalyse
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Einführung in die Zeitreihenanalyse Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
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
MehrZeitreihenanalyse. Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation
Zeitreihenanalyse Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation Beispiel für Zeitreihe Andere Anwendungen Inventarmanagment Produktionsplanung
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
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
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
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
MehrZeitreihenanalyse Differenzenbildung
Zeitreihenanalyse Differenzenbildung Worum geht es in diesem Lernmodul? Einleitung Verfahren der einfachen Differenzenbildung Verfahren der saisonalen Differenzenbildung Kombination einfacher und saisonaler
MehrZeitreihenökonometrie
Zeitreihenökonometrie Kapitel 11 - Filterverfahren Unterscheidung zwischen Wachstum und Konjunktur Wachstum: langfristige Entwicklung des Bruttoinlandsproduktes bei voller oder normaler Auslastung der
MehrKompaktskript zur Vorlesung Prognoseverfahren
Kompaktskript zur Vorlesung Prognoseverfahren Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
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
MehrKapitel 40 Zeitreihen: Autokorrelation und Kreuzkorrelation
Kapitel 40 Zeitreihen: Autokorrelation und Kreuzkorrelation Bei Zeitreihendaten ist häufig das Phänomen zu beobachten, daß die Werte der Zeitreihe zeitverzögert mit sich selbst korreliert sind. Dies bedeutet,
Mehr3. Leistungsdichtespektren
Stochastische Prozesse: 3. Leistungsdichtespektren Wird das gleiche Geräusch mehrmals gemessen, so ergeben sich in der Regel unterschiedliche zeitliche Verläufe des Schalldrucks. Bei Geräuschen handelt
MehrMethoden der Ökonometrie
Dr. Matthias Opnger Lehrstuhl für Finanzwissenschaft WS 2013/14 Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 1 / 21 Dr. Matthias Opnger Büro: C 504 Sprechzeit: nach Vereinbarung E-Mail: opnger@uni-trier.de
MehrEinführung in Quantitative Methoden
in Quantitative Methoden Mag. Dipl.Ing. Dr. Pantelis Christodoulides & Mag. Dr. Karin Waldherr SS 2011 Christodoulides / Waldherr in Quantitative Methoden- 2.VO 1/47 Historisches Regression geht auf Galton
MehrDynamische Modelle: Stabilität und Interpretation
1 / 25 Dynamische Modelle: Stabilität und Interpretation Kapitel 17 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 25 Inhalt Kurz- und langfristige Effekte Einmalige Änderung in X Permanente
Mehr[ 1 ] Welche der folgenden Aussagen sind WAHR? Kreuzen Sie sie an.
13 Zeitreihenanalyse 1 Kapitel 13: Zeitreihenanalyse A: Übungsaufgaben: [ 1 ] 1 a a) Nach der Formel x t+i berechnet man einen ein f achen gleitenden Durchschnitt. 2a + 1 i= a b) Die Residuale berechnet
MehrComputergrafik 2: Übung 6. Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter
Computergrafik : Übung 6 Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter Quiz Warum Filtern im Frequenzraum? Ideales Tiefpassfilter? Parameter? Eigenschaften? Butterworth-Filter?
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
MehrExtremwerte von Funktionen mehrerer reeller Variabler
Extremwerte von Funktionen mehrerer reeller Variabler Bei der Bestimmung der Extrema von (differenzierbaren) Funktionen f : R n R ist es sinnvoll, zuerst jene Stellen zu bestimmen, an denen überhaupt ein
MehrZeitreihenanalyse Das klassische Komponentenmodell
Zeitreihenanalyse Das klassische Komponentenmodell Worum geht es in diesem Lernmodul? Zeitreihen mit unterschiedlichen Charakteristika Zeitreihen mit regelmäßigen Schwankungen Mittel und Niveau einer Zeitreihe
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
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
MehrAnalyse stationärer Zeitreihen
Analyse stationärer Zeitreihen 1 Inhaltsverzeichnis 1 Einleitung 3 2 Stationäre zufällige Prozesse 4 2.1 Zufällige (oder: stochastische) Prozesse. Grundbegriffe..... 4 2.2 Stationarität............................
MehrTrend, Zyklus und Zufall
Rainer Metz Trend, Zyklus und Zufall Bestimmungsgründe und Verlaufsformen langfristiger Wachstumsschwankungen Franz Steiner Verlag INHALTSVERZEICHNIS Vorwort Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis
Mehr5.6 Empirische Wirtschaftsforschung
5.6.0 Vorbemerkungen Literatur Winker, P. (2010): Empirische Wirtschaftsforschung und Ökonometrie. 3. Auflage. Springer. Insbesondere Kapitel 1, 4 und 10. Volltext-Download im Rahmen des LRZ-Netzes. Rinne,
MehrBemerkungen. f (x 1,..., x i + x i,..., x n ) f (x 1,..., x n ) lim. f xi (x 1,..., x n ) =
Bemerkungen Die Erweiterung der Definition von partiellen Ableitungen 1. Ordnung für Funktionen u = f (x 1,..., x n ) mit n > 2 Veränderlichen ist offensichtlich: f xi (x 1,..., x n ) = f (x 1,..., x i
Mehr4. Gleichungen im Frequenzbereich
Stationäre Geräusche: In der technischen Akustik werden überwiegend stationäre Geräusche untersucht. Stationäre Geräusche sind zusammengesetzt aus harmonischen Schallfeldern p x,t = p x cos t x Im Folgenden
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
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.
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
Mehrd) Produkte orthogonaler Matrizen sind wieder orthogonal.
Die orthogonale Matrizen Definition: Eine Matrix Q R n n heißt orthogonal, falls QQ T = Q T Q = I gilt. Die Eigenschaften orthogonaler Matrizen: a) det(q) = ±1; b) Qx 2 = x 2 für alle x R n, also Q 2 =
Mehrdie täglichen Schlusskurse eines börsengehandelten Wertpapiers,
Wirtschaftswissenschaftliches Zentrum 5 Universität Basel Statistik Dr. Thomas Zehrt Zeitreihen Motivation Typische Beispiele für Zeitreihen sind die täglichen Schlusskurse des SMI Nummer 1 2 3 4 5 Datum
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
MehrZeit Umsatz. t U=U(t) BS - 13 BS Modul : Analyse zeitabhängiger Daten z.b. Prof. Dr. W. Laufner Beschreibende Statistik
BS - 1 1 Modul 1 : Analyse zeitabhängiger Daten z.b. Zeit Umsatz t UU(t) BS - 1 2 Modul 1: Zeitreihenanalyse 0 70 60 Zeitreihenanalyse Umsatz (Mio ) 0 40 0 0 Q1 Q2 Q Q4 Q1 Q2 Q Q4 Q1 Q2 Q Q4 Q1 Q2 Q Q4
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
MehrStatistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2012/2013 Albert-Ludwigs-Universität Freiburg Prof. Markus Schumacher, Dr. Stan Lai Physikalisches Institut Westbau 2 OG E-Mail: Markus.Schumacher@physik.uni-freiburg.de
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Mehr1. Einleitung. 1.1 Phasen einer ökonometrischen Analyse
1. Einleitung 1.1 Phasen einer ökonometrischen Analyse Empirische ökonomische bzw. ökonometrische Analyse: Nutzung von Schätz- und Testmethoden zur Überprüfung ökonomischer Hypothesen oder Quantifizierung
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrSBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2
SBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2 1. Teil: Zerlegungsmodelle und naive Prognosemethoden für Zeitreihen Regina Tüchler Department für Statistik & Mathematik Inhalt Einleitung
MehrComputer Vision: Kalman Filter
Computer Vision: Kalman Filter D. Schlesinger TUD/INF/KI/IS D. Schlesinger () Computer Vision: Kalman Filter 1 / 8 Bayesscher Filter Ein Objekt kann sich in einem Zustand x X befinden. Zum Zeitpunkt i
MehrLineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte
Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a)
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrMethode der kleinsten Quadrate DSV2, 2007, Least-Squares, Rumc, 1
Methode der kleinsten Quadrate DSV2, 2007, Least-Squares, Rumc, 1 Problem der linearen Annäherung im Skalarprodukt-Raum Finde für einen beliebigen Vektor y eine Linearkombination y e der Vektoren 1, 2,...,
MehrÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS
ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS Aufgabe 1. a) Gegeben sei die Gleichung 2x 2 4xy +y 2 3x+4y = 0. Verifizieren Sie, dass diese Gleichung
MehrStatistische Eigenschaften der OLS-Schätzer, Residuen,
Statistische Eigenschaften der OLS-Schätzer, Residuen, Bestimmtheitsmaß Stichwörter: Interpretation des OLS-Schätzers Momente des OLS-Schätzers Gauss-Markov Theorem Residuen Schätzung von σ 2 Bestimmtheitsmaß
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
MehrRang einer Matrix. 1-E1 Ma 1 Lubov Vassilevskaya
Rang einer Matrix 1-E1 Ma 1 Lubov Vassilevskaya Unterdeterminante einer nichtquadratischen Matrix M ist eine nichtquadratische 2,3-Matrix: M = 6 2 3 0 5 7 Durch Streichen einer der drei Spalten kann man
MehrDie 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
MehrRegionale Arbeitslosenprognosen: Die Leistungsfähigkeit ausgewählter Zeitreihenverfahren
Institut für Arbeitsmarkt- und Berufsforschung Folie 1 Regionale Arbeitslosenprognosen: Die Leistungsfähigkeit ausgewählter Zeitreihenverfahren Katharina Hampel Marcus Kunz Norbert Schanne Antje Weyh Dr.
MehrAusgleichsproblem. Definition (1.0.3)
Ausgleichsproblem Definition (1.0.3) Gegeben sind n Wertepaare (x i, y i ), i = 1,..., n mit x i x j für i j. Gesucht ist eine stetige Funktion f, die die Wertepaare bestmöglich annähert, d.h. dass möglichst
MehrModelle und Methoden der Zeitreihenanalyse
Modelle und Methoden der Zeitreihenanalyse Mike Hüftle 31. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1 Einordnung der Zeitreihenanalyse.................. 2 1.2 Darstellung von Zeitreihen......................
MehrÜbung (13) dx 3, 2x 1 dx arctan(x3 1).
Übung (3) () Bilden Sie folgende Ableitungen: d xe x dx x ln x, d dx +cos (x), d d dx 3, x dx arctan(x3 ). () Geben Sie die Näherung. Ordnung für den Ausdruck / p v /c für v
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
MehrGaußsche Ausgleichsrechnung
Kapitel 6 Gaußsche Ausgleichsrechnung 6. Gaußsche Methode der kleinsten Fehlerquadrate Die Gaußsche Methode der kleinsten Fehlerquadrate wurde 89 von C.F. Gauß in dem Aufsatz Theorie der Bewegung der Himmelkörper
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
MehrFehlerfortpflanzung. M. Schlup. 27. Mai 2011
Fehlerfortpflanzung M. Schlup 7. Mai 0 Wird eine nicht direkt messbare physikalische Grösse durch das Messen anderer Grössen ermittelt, so stellt sich die Frage, wie die Unsicherheitsschranke dieser nicht-messbaren
MehrZeitreihenanalyse Das Holt-Winters-Verfahren
Zeitreihenanalyse Das Holt-Winters-Verfahren Worum geht es in diesem Lernmodul? Einleitung Modellannahmen Die Prognoseformel des Holt-Winters-Verfahren Die Glättungskoeffizienten Die Startwerte Weiterführende
Mehr6.2 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 )
MehrMATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik MATHEMATIK 2 FÜR DIE STUDIENGÄNGE CHE- MIE UND LEBENSMITTELCHEMIE Differentialrechnung für Funktionen mehrerer
MehrBeispiel in R: Verfahren zur Modellierung von ZR mit Saison und Trend
Beispiel in R: Verfahren zur Modellierung von ZR mit Saison und Trend Regina Tüchler November 2, 2009 Beispiel: Zeitreihenanalyse der Übernachtungs-Daten: Wir haben Daten mit monatlichen Übernachtungszahlen
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, May 29, 2017 Dr. Michael O. Distler
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
MehrAnalysis und Lineare Algebra mit MuPAD
Analysis und Lineare Algebra mit MuPAD Dehling/Kubach Mögliche Themen für Abschlussprojekte 1 Fourier-Reihen Zu einer integrierbaren Funktion f : [0,2π] R definieren wir die Fourier-Reihe wobei a 0 = 1
MehrBildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17
Bildverarbeitung: Filterung D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Allgemeines Klassische Anwendung: Entrauschung (Fast) jeder Filter basiert auf einem Modell (Annahme): Signal + Rauschen
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrQUANTITATIVE STATISTICAL METHODS: REGRESSION AND FORECASTING JOHANNES LEDOLTER VIENNA UNIVERSITY OF ECONOMICS AND BUSINESS ADMINISTRATION SPRING 2013
QUANTITATIVE STATISTICAL METHODS: REGRESSION AND FORECASTING JOHANNES LEDOLTER VIENNA UNIVERSITY OF ECONOMICS AND BUSINESS ADMINISTRATION SPRING 2013 ZEITREIHEN 1 Viele Beobachtungen in den Wirtschaftswissenschaften
Mehrmit Ungleichungen als Restriktionen Quadratische Programmierung Gliederung Geodätische Woche 2009 Lutz Roese-Koerner und Wolf-Dieter Schuh
. Geodätische Woche 29 Quadratische Programmierung mit Ungleichungen als Restriktionen 1 Lutz Roese-Koerner und Wolf-Dieter Schuh Institut für Geodäsie und Geoinformation Professur für Theoretische Geodäsie
MehrAllgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.
MehrBeispiele in R: Einfacher gleitender Durchschnitt und Exponentielles Glätten
Beispiele in R: Einfacher gleitender Durchschnitt und Exponentielles Glätten Regina Tüchler & Thomas Rusch November 2, 2009 Beispiel: Einfacher Gleitender Durchschnitt der Nil-Daten: Wir haben Daten über
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...........................
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof. Dr. M. Keyl M. Kech TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Mathematik für Physiker 3 (Analysis ) MA903 http://www-m5.ma.tum.de/allgemeines/ma903 06S Sommersem. 06 Lösungsblatt 8 (3.6.06)
MehrI.1.3 b. (I.7a) I.1 Grundbegriffe der Newton schen Mechanik 9
I. Grundbegriffe der Newton schen Mechanik 9 I..3 b Arbeit einer Kraft Wird die Wirkung einer Kraft über ein Zeitintervall oder genauer über die Strecke, welche das mechanische System in diesem Zeitintervall
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
MehrSeminar Optimierung - Approximation and fitting. Christian Bretzke
Seminar Optimierung - Approximation and fitting Christian Bretzke 1 Inhaltsverzeichnis 1 Norm Approximation 3 1.1 Verschiedene Interpretation.................................. 3 1.2 Gewichtete NAP........................................
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...
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
MehrAnalysis von singulären Differentialgleichungen erster und zweiter Ordnung - Skalare Probleme
Analysis von singulären Differentialgleichungen erster und zweiter Ordnung - Skalare Probleme Jonathan Mosser 3. Juni 27 / 38 Vorbemerkungen Singularität Singuläre Probleme können auf zwei Arten formuliert
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
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 27
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 27 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
Mehr