Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Versuchsplanung > 7. Zeitreihenanalyse > Flashcards

7. Zeitreihenanalyse Flashcards

1
Q

Was ist die Zeitreihenanalyse?

A

Analyse einer Vielzahl von Messzeitpunkten

mind.50-100

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Zeitreihenanalse: was sind die Ziele?

A

— Ermittlung von zyklischen Phänomenen
z.B saisonale Effekte
— Vorhersage von zukünftigen Ereignissen/Verläufen
z.B. Vorhersage von Therapieverläufen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Erfasse was mit dem Begriff „Autokorrelationen“ gemeint ist.

A

Korrelationen zwischen Messzeitpunkten mit Abstand „k“ (lag)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Abstand „k“?

A

lag

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Erfasse saisonale Abhängigkeit.

Nenne ein Beispiel.

A

ein Muster, welches alle „k“ Elemente auftritt

z.B. Verlauf der Anzahl der Flugreisen im Laufe der Jahre

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Nenne ein Beispiel für Zeitreihenanalysen

A

ARIMA-Modell

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Arima-Modell — wofür steht ARIMA?

A

AutoRegressive Integrated Moving Average model

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

ARIMA-Modell — Funktion?

A

Beschreibung der Systematik einer Zeitreihe, anhand 3 Parametern

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Was sind die drei Parametern des ARIMA-Modells?

A

p
d
q

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

ARIMA-Modell: Parameter

Wofür steht „p“?

A

Anzahl der autoregressiven Anteile der Zeitreihe

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

ARIMA-Modell: Parameter

Wofür steht „d“?

A

Anzahl der notwendigen Differenzierungen um eine Zeitreihe stationär zu machen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

ARIMA-Modell: Parameter

Wofür steht „q“?

A

Anzahl der moving-Average-Komponenten der Zeitreihe

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Wann wird ein Merkmal als STATIONÄR bezeichnet?

A

falls die Verteilungsmerkmale
(Mittelwert, Varianz, Schiefe, Exzess)
von Stichproben aus der Zeitreihe nicht vom absoluten Zeitpunkt ihrer Ziehung abhängen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Wann liegt ein Trend vor?

A

wenn der Mittelwert von Stichproben aus der Zeitreihe sich systematisch ändert

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Warum ist eine Zeitreihe häufig NICHT STATIONÄR?

A

wegen einem Trends

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Was muss mit einer nicht stationären Zeitreihe gemacht werden?

A

Differenzierung

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Differenzierung: was ist der Ziel?

A

Stationarität zu erreichen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

Erklaere den Prozess der Differenzierung

A
  • paarweise Differenzbildung resultiert in eine neue Zeitreihe
  • z.b. 2,4,6,8,10 –> 2,2,2,2
  • muss gelegnetlich mehrmals wiederholt werden bis sich eine stationaere Zeitreihe ergibt
    z.b. 1, 4, 9, 16, 25 –> 3, 5, 7, 9 –> 2, 2, 2
    d = 2
    ARIMA (0, 2, 0)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

Differenzierung: meist ist jedoch eine vollstaendige “Verflachung” der Zeitreihe…

A
  • nicht moeglich

- nicht sinnvoll, da saisonale Effekte ermittelt werden sollen

20
Q

Differenzierung: warum ist eine vollstaendige “Verflachung” der Zeitreihe nicht inhaltlich sinnvoll?

A

da saisonale Effekte ermittelt werden sollen

21
Q

Erfasse was mit “streng stationaer” gemeint ist.

A
  • wenn die Verteilungskennwerte in allen moeglichen Teilstichproben identisch sind
  • —> d.h. Kennwerte sind unabhaengig von der Zeit
22
Q

Erfasse was mit “schwach” stationaer gemeint ist.

A
  • Mittelwert und Kovarianzen innerhalb der SP sollten unabhaengig von der Zeit sein
23
Q

Stationaritaet “zweiter Ordnung”

A

Wenn Mittelwert und Kovarianzen innerhalb der SP unabhaengig von der Zeit sind

24
Q

Was wird mit “integrated” gemeint?

A

stationaer nach differenzbildung

25
Q

Wann kann Parameter P eingesetzt werden?

A
  • nach Parameter d

- wenn festgestellt ist dass die Zeitreihe stationaer ist

26
Q

Was untersucht Parameter P?

A

die Autokorrelationsstruktur der Zeitreihe

27
Q

Parameter P: Vorteile bzgl. Lags

A

je mehr lags, desto praeziser

28
Q

Parameter P: Nachteile bzgl. Lags

A

sehr viele Lags:
- komplexe Gleichungen zur Vorhersage des naechsten - Messzeitpunktes
komplexe Modelle

29
Q

Was bestimmt Parameter q?

A

Wie viele vorgehende zufaellige Fehler in der Modellierung beruecksichtigt werden.

30
Q

Erfasse was bei “error propagation” gemeint ist.

A

Die von dem AR-Modell vorhergesagten Messwerte koennen von vorgehenden Messfehlern abhaengen.

31
Q

Erfasse die Zussamenhaenge des AR-Modells.

A
  • Zusammenhang zwischen Messwerte

- KEIN Zusammenhang zwischen den Messfehlern

32
Q

Erfasse was mit “random shock” gemeint ist.

A

ein zufaelliger FEHLER beeinflusst die Beobachtung

33
Q

Nenne die moeglichen Veraenderungen in einer Zeitreihe.

A

1) Aenderung im TREND
2) Aenderung im NIVEAU
3) Kompensatorische VARIABILITAETSAENDERUNG

34
Q

Was fuehrt zu moegliche Effekte in einer Zeitreihe?

A

eine Intervention

35
Q

1) Aenderung im TREND:
- was heisst das?
- was fuer Arten gibt es?

A
  • Aenderung in der Steigung

- abrupt / verzoegert

36
Q

2) Aenderung im NIVEAU
- was heisst das?
- was fuer Arten gibt es?

A
  • Aenderung in der Mittleren Anzahl

- Abrupt / verzoegert

37
Q

3) Kompensatorische Variablitaet

A

die Intervention loest eine Aenderung der Variabilitaet aus

38
Q

Ein Synonym fuer Intervention

A

Treatment

39
Q

Entfernung eines Treatments

A

Unterschied sollte nach der Entfernung des Treatment wieder zurueck gehen
VORAUSSETZUNG: temporaere Treatment-wirkung

40
Q

Verzoegertes Treatment

A
  • kaum Alternativerklaerungen moeglich

- Externe Validitaet erhoeht - da Effekt in 2 Populationen zu 2 Zeitpunkten

41
Q

Unterbrochener Zeitreihen: Probleme

A

1) langsame und graduelle Implementierung –> Diffusion
2) unbekanntes Intervall zwischen Ursache und Effekt
3) zu urze Zeitreihen
4) Beschraenkung von Archivdaten

42
Q

Probleme bei unterborchener Zeitreihen: Archivdaten

A
  • Datenqualitaet schwer zu bewerten
  • schlechte Qualitaet
  • Verfaelschungsgefahr –> durch Veraenderung des Konstrukts ueber die Zeit
43
Q

Probleme bei unterborchener Zeitreihen: Diffusion

A
  • schrittweise Interventionen

z. B. Schulungsprogramme (klinisches Personal kann nicht zu identischem Zeitpunkt komplett geschult werden)

44
Q

Probleme bei unterborchener Zeitreihen: Unbekanntes Interval

A
  • zeitlicher Verzoegerung z.B. Lungenkrebs beim Rauchen

- Verwaesserung des Effekts

45
Q

Probleme bei unterborchener Zeitreihen: zu Kurz

A
  • mind. 100N
  • 50 vor X, 50 nach X
  • je groesser der lag, desto relevanter ist die Anzahl der Messzeitpunkte

Versuchsplanung (17 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2025 Bold Learning Solutions. Terms and Conditions