Theorie Flashcards
Zeitreihendaten
Zeitreihendaten werden für dasselbe Untersuchungsobjekt zu mehreren Zeitpunkten erhoben.
Autokorrelation
Korrelation einer Zeitreihe mit ihren eigenen verzögerten Werten

Erste Autokorrelation
- beschreiben die Gemeinseme Verteilung von
(Yt,Yt-1) in der Population

- h-te Autocovarianz
- h-te Autokorrelation
- h-te empirische Autokorrelation

Stationarität
- Die Wahrscheinlichkeitsverteilung einer Zeitreihe ändert sich über die Zeit nicht.
- Erfordert, dass sich Zukunft und Vergangenheit gleich verhalten.
- Muster (z.B. längere Auf- oder Abwärtsphasen) sind erlaubt, aber es darf keine systemastische Veränderung des Musters im Laufe der Zeit geben.
- Variabilität/Ausschläge sind über die Zeit konstant
Schwache Stationarität
(Bedingungen)
Kovarianzstationarität

Autoregression
Regressionsmodell, in dem Yt auf eigene Lags Yt-1, Yt-2,… regressiert wird.
AR(p)-Prozess
(mit und ohne Backshift-Operator)

AR(1)-Prozess
→ Die Autokorrelationen klingen exponentiell ab für h gegen unendlich.

Moving Average Prozess
(mit und ohne Backshift-Operator)
→ einfaches Zeitreihenmodell

MA(1)-Prozess

AR(1) als MA(∞)

ARMA(p,q) Prozess

Lag Polynome als Filter
- Wir können Lag Polynome als Filter interpretieren: Angewendet auf eine Zeitreihe, entsteht eine neue Zeitreihe.
- Transformation einer Zeitreihe mit zwei Lag Polynomen nacheinander ist gleichbedeutend mit der einmaligen Transformation einer Zeitreihe mit dem Lag Polynom, welches das Produkt der beiden ursprünglichen Lag Polynome darstellt.

Inverse eines Filters
- Inverse des Lag Polynoms
- Im Allgemeinen existiert die Inverse eines Polynoms φ(B) sofern bestimmte Bedingungen für die Parameter erfüllt sind.
- In diesem Fall ist φ(B) invertierbar.
- Existiert die Inverse von θ(B) also θ−1(B), lassen sich MA Prozesse als AR(∞) Prozesse formulieren.

Inverse eines Filters
(im AR(1)-Prozess)

Inverse eines Filters
(im MA(1)-Prozess)

Redundanz von Parametern
Ziel: die Dynamik einer Zeitreihe mit wenigste möglich Parametern zu modellieren
- ”Sparsamkeit” bei der Modellierung ist wichtig, um Schätzfehler zu minimieren und präzise Prognosen zu erreichen.
Invertierbarkeit von Lag Polynomen
- Modelle mit MA Komponente → MA Lag Polynom muss invertierbar sein.
- Modelle mit AR Komponente →AR Lag Polynom muss invertierbar sein
- nur genau dann ist der Prozess stationär

Überprüfung der Invertierbarkeit von Lag Polynomen
φ(z)=1−φ1z−φ2z2…−φpzp =0.
Überprüfung der Invertierbarkeit von Lag Polynomen
AR(1)
- φ(z) = 1− φ1z − φ2z2… − φpzp = 0
- Das AR Lag Polynom ist invertierbar, wenn die Wurzeln von φ(z) außerhalb des Einheitskreises liegen
- φ(z) = 0 für |z| > 1
- Falls |z| = 1 → Prozess nicht stationär
Stationäre Lösung AR(2) Prozess
- (1 − φ1B − φ2B2)Yt = c + wt
- Charakteristische Gleichung:
1 − φ1z − φ2z2 = 0 - Stationär, wenn:
- −1 < φ2 <1
- φ1 + φ2 <1
- φ2 − φ1 <1

Invertierbarkeit bei ARMA(p,q) Prozessen
- Ist das MA Lag Polynoms invertierbar, kann der Prozess als AR(∞) geschrieben werden und die Koeffizienten πj bestimmt werden

ARIMA(p,d,q) Prozess
- Integrationsgrad I(1) → einmaliges Differenzieren (d=1) reicht aus, um einen stationären Prozess zu erhalten
- Integrationsgrad I(2)→ d=2 wird benötigt, um einen stationären Prozess zu erhalten
- Stationär, wenn d=0
- Überdifferenzieren kann Abhängigkeiten induzieren, wo keine sind
























