Zeitreihenanalyse â Einstieg und Aufgaben - FernUniversität in Hagen
Zeitreihenanalyse â Einstieg und Aufgaben - FernUniversität in Hagen
Zeitreihenanalyse â Einstieg und Aufgaben - FernUniversität in Hagen
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
KAPITEL 2. AR-PROZESSE UND ELEMENTARES<br />
|φ| = 1 ist e<strong>in</strong> Spezialfall, da der stationäre Erwartungswert hier der Anfangsbed<strong>in</strong>gung<br />
entspricht. Diesen Fall bezeichnet man als E<strong>in</strong>heitswurzel.<br />
Dieser Begriff wird später klarer, wenn wir das AR(2)-Modell betrachten. Im<br />
Fall e<strong>in</strong>er E<strong>in</strong>heitswurzel liegt dennoch ke<strong>in</strong> stationärer Prozess vor, da die<br />
Varianz divergiert, wie wir im Anschluss zeigen werden. Bis hierher haben wir<br />
den stationären Erwartungswert ermittelt, der unter der Bed<strong>in</strong>gung |φ| < 1<br />
existiert<br />
E[y st. ] = 0 bzw. E[x st. ] = µ für |φ| < 1. (2.7)<br />
Für die Varianz des AR(1)-Prozesses gilt die rekursive Formel<br />
Var[y t ] = Var[φy t−1 + ɛ t ] = φ 2 Var[y t−1 ] + σ 2 . (2.8)<br />
Dieses Ergebnis mag nicht unmittelbar e<strong>in</strong>leuchten, daher hier e<strong>in</strong> kurzer<br />
E<strong>in</strong>schub zu den Rechenregeln von Varianzen.<br />
E<strong>in</strong>schub: Varianzen<br />
Seien X <strong>und</strong> Y zwei unabhängige Zufallsvariablen <strong>und</strong><br />
c e<strong>in</strong>e beliebige Konstante, dann gilt<br />
1. Var[c] = 0<br />
2. Var[cX] = c 2 Var[X]<br />
3. Var[X + Y ] = Var[X − Y ] = Var[X] + Var[Y ].<br />
Voraussetzung für die Gültigkeit der letzten Eigenschaft<br />
ist die Unabhängigkeit der Zufallsvariablen.<br />
ɛ t ist von φy t−1 unabhängig, da der zum Zeitpunkt t − 1 manifestierte<br />
Wert der Zeitreihe ke<strong>in</strong>en E<strong>in</strong>fluss auf die Realisierung der Zufallsvariable<br />
ɛ t zum Zeitpunkt t hat. Daher zerfällt die geme<strong>in</strong>same Varianz <strong>in</strong> (2.8) <strong>in</strong><br />
die Summe der E<strong>in</strong>zelvarianzen. φ ist e<strong>in</strong>e Konstante <strong>und</strong> rückt deshalb<br />
quadratisch vor die Varianz von y t−1 . Die Varianz von ɛ t ist bereits bekannt<br />
<strong>und</strong> für jeden Zeitpunkt gleich, Var[ɛ t ] = σ 2 .<br />
Der nächste Schritt ist nun wieder e<strong>in</strong>e explizite Vorschrift für Var[y t ]<br />
abzuleiten <strong>und</strong> dann den Grenzwert für t → ∞ zu betrachten. Diese<br />
Iteration gestaltet sich ger<strong>in</strong>gfügig sperriger als die des Erwartungswertes,<br />
daher kommt an dieser Stelle zunächst e<strong>in</strong>e kurze Auffrischung zum Summenoperator<br />
<strong>und</strong> der geometrischen Reihe.<br />
8