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 />
Die Frage nach der stationären Varianz steht noch im Raum. Dazu bilden<br />
wir wieder den Grenzwert für t → ∞ <strong>und</strong> verwenden die entsprechende<br />
Eigenschaft der geometrischen Reihe<br />
∑t−1<br />
(<br />
Var[y st. ] = lim σ ) 2 φ<br />
2 k σ 2<br />
= für φ 2 < 1. (2.11)<br />
t→∞ 1 − φ 2<br />
k=0<br />
Die Bed<strong>in</strong>gung φ 2 < 1 für die Konvergenz der geometrischen Reihe entspricht<br />
genau der Bed<strong>in</strong>gung |φ| < 1, die wir bereits im Rahmen der stationären Erwartungswertgleichung<br />
(2.7) bestimmen konnten. Es ist jetzt ebenfalls klar,<br />
dass im Fall der E<strong>in</strong>heitswurzel mit φ = 1 die Varianz divergiert. Wir erhalten<br />
lim Var[y ∑t−1<br />
t] = lim σ 2 1 k = lim σ 2<br />
t→∞ t→∞ t→∞<br />
k=0<br />
t∑<br />
k=1<br />
1 = lim<br />
t→∞<br />
σ 2 t = ∞. (2.12)<br />
Wir halten zusammenfassend fest, dass die beiden stationären Momente,<br />
(2.7) <strong>und</strong> (2.11) nicht mehr vom Index t abhängen <strong>und</strong> konstant s<strong>in</strong>d. Damit<br />
gelangen wir unmittelbar zur Def<strong>in</strong>ition der schwachen Stationarität:<br />
Unter schwacher Stationarität versteht man die Zeit<strong>in</strong>varianz der<br />
ersten beiden Momente e<strong>in</strong>es Prozesses.<br />
Im Fall der Normalverteilung ist diese Def<strong>in</strong>ition besonders vorteilhaft, da<br />
e<strong>in</strong>e beliebige Normalverteilung durch ihre ersten beiden Momente vollständig<br />
spezifiziert ist. Für andere Verteilungen wie beispielsweise die Student-t-<br />
Verteilung oder die χ 2 -Verteilung gilt das nicht. Im Fall e<strong>in</strong>er solchen Verteilung<br />
käme e<strong>in</strong>e Def<strong>in</strong>ition der Stationarität im strengen S<strong>in</strong>n zum Tragen:<br />
Unter Stationarität (im strengen S<strong>in</strong>n) versteht man die Zeit<strong>in</strong>varianz<br />
der gesamten Verteilung e<strong>in</strong>es Prozesses.<br />
Würde man beispielsweise den zentrierten AR(1)-Prozess (2.3) mit |φ| < 1<br />
<strong>und</strong> der zufälligen Anfangsbed<strong>in</strong>gung x 0 ∼ N ( )<br />
σ<br />
µ, 2<br />
1−φ starten, wäre der resultierende<br />
Prozess augenblicklich stationär <strong>und</strong> zwar im strengen S<strong>in</strong>n, da<br />
2<br />
die Fehlerterme normalverteilt s<strong>in</strong>d <strong>und</strong> die ersten beiden Momente für jedes<br />
weitere Glied x t mit t = 1, . . . , ∞ unverändert bleiben, wie durch E<strong>in</strong>setzen<br />
<strong>in</strong> (2.4) <strong>und</strong> (2.8) leicht zu zeigen ist.<br />
10