Zeitreihenanalyse â Einstieg und Aufgaben - FernUniversität in Hagen
Zeitreihenanalyse â Einstieg und Aufgaben - FernUniversität in Hagen
Zeitreihenanalyse â Einstieg und Aufgaben - FernUniversität in Hagen
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
KAPITEL 2. AR-PROZESSE UND ELEMENTARES<br />
der Prognose nicht erforderlich, sie erklärt nur den Weg, den der Prozess<br />
bis zur Gegenwart genommen hat. Da wir den Gegenwartswert y t aber<br />
kennen, liefert uns die Vergangenheit ke<strong>in</strong>e zusätzlichen Erkenntnisse mehr<br />
bezüglich der Zukunft. Prozesse, die ihre gesamte Vergangenheit sozusagen<br />
im Gegenwartswert speichern, bezeichnet man als Markov-Prozesse.<br />
Markov-Prozesse s<strong>in</strong>d <strong>in</strong> vielen Wissenschaftsgebieten von Interesse, da mit<br />
ihnen e<strong>in</strong>e außerordentlich große Zahl natürlich auftretender Phänomene<br />
abgebildet werden kann.<br />
Weiterh<strong>in</strong> können AR-Prozesse höherer Ordnung immer <strong>in</strong> e<strong>in</strong> System<br />
von gekoppelten AR(1)-Prozessen überführt werden. Diese gekoppelten<br />
Prozesse werden meistens <strong>in</strong> Vektorform zusammengefasst <strong>und</strong> man spricht<br />
dann von e<strong>in</strong>em VAR-Prozess (Vector Auto Regressive). Wir werden später<br />
sehen, wie sich das AR(2)-Modell <strong>in</strong> e<strong>in</strong> VAR-Modell der Dimension d = 2<br />
umschreiben lässt.<br />
Der Spezialfall der E<strong>in</strong>heitswurzel, |φ| = 1 wird als Random Walk oder<br />
als e<strong>in</strong>fache Irrfahrt bezeichnet. Gelegentlich begegnet man auch der etwas<br />
unterhaltsameren Metapher des Weges e<strong>in</strong>es Betrunkenen. Die Struktur<br />
y t = y t−1 + ɛ t zeigt, dass die nächste „Position“ sich aus der letzten, zuzüglich<br />
e<strong>in</strong>es zufälligen „Schrittes“ ergibt. Wobei wie bei e<strong>in</strong>em Betrunkenen nicht<br />
vorherzusagen ist, <strong>in</strong> welche Richtung der nächste Schritt wohl erfolgen wird.<br />
Ferner wird hier natürlich vernachlässigt, dass der Betrunkene stolpern <strong>und</strong><br />
h<strong>in</strong>fallen könnte, was möglicherweise zur Stationarität des Betrunkenen führt<br />
aber nicht des Prozesses. Auch der Random Walk ist e<strong>in</strong> wichtiges dynamisches<br />
Modell <strong>in</strong> vielen Wissenschaftsdiszipl<strong>in</strong>en.<br />
2.2 Autokovarianz <strong>und</strong> Autokorrelation<br />
Wir s<strong>in</strong>d nun soweit genauer zu verstehen, um was für e<strong>in</strong> Objekt es sich bei<br />
e<strong>in</strong>er Zeitreihe eigentlich handelt:<br />
E<strong>in</strong>e Zeitreihe ist e<strong>in</strong>e Manifestation e<strong>in</strong>es darunterliegenden (stochastischen)<br />
Prozesses.<br />
Das bedeutet, e<strong>in</strong> <strong>in</strong> der Regel unbekannter Prozess erzeugt e<strong>in</strong>e Reihe von<br />
Realisierungen <strong>in</strong> der Zeit, die wir beobachten können. Diese Beobachtungsreihe<br />
bezeichnen wir als Zeitreihe. Da wir nicht wissen, welcher Prozess diese<br />
Zeitreihe erzeugt hat, bspw. e<strong>in</strong> AR(1)-Prozess oder e<strong>in</strong> AR(2)-Prozess oder<br />
e<strong>in</strong>e völlig andere Prozessklasse, s<strong>in</strong>d wir darauf angewiesen die H<strong>in</strong>weise, die<br />
<strong>in</strong> der Zeitreihe verborgen s<strong>in</strong>d, sehr genau auszuwerten.<br />
12