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 />
korrelationen <strong>und</strong> Autokovarianzen lediglich mit e<strong>in</strong>em Verschiebungs<strong>in</strong>dex<br />
geschrieben, der die Lücke (Lag) zwischen den beiden Werten angibt<br />
γ k = Cov[y t , y t−k ]. (2.14)<br />
Wir können nun die e<strong>in</strong>mal getroffene Konvention (2.14) ausnutzen um die<br />
stationäre Varianz des AR(1)-Prozesses als Autokovarianz mit Lag 0 zu<br />
schreiben<br />
γ 0 = Var[y t ] =<br />
σ2<br />
1 − φ . (2.15)<br />
2<br />
Auch die stationäre Varianz bleibt für alle t gleich, denn das war ja gerade<br />
e<strong>in</strong>es der Kriterien für Stationarität. Da die Varianz aber e<strong>in</strong> Spezialfall der<br />
Kovarianz, nämlich mit Verschiebung (Lag) 0 ist, lässt sich <strong>in</strong>tuitiv verstehen,<br />
warum die Autokovarianz im stationären Zustand nur vom Lag abhängen<br />
darf. In der Tat wird die schwache Stationarität auch als Kovarianzstationarität<br />
bezeichnet <strong>und</strong> es wird im Allgeme<strong>in</strong>en def<strong>in</strong>iert:<br />
E<strong>in</strong> Prozess ist schwach stationär (kovarianzstationär), wenn se<strong>in</strong>e<br />
ersten beiden Momente endlich <strong>und</strong> konstant (<strong>in</strong>variant gegenüber<br />
Zeitverschiebungen) s<strong>in</strong>d <strong>und</strong> die Autokovarianz lediglich von der<br />
Verschiebung aber nicht von der Zeit abhängt.<br />
Dies ist e<strong>in</strong>e Erweiterung gegenüber unserer vorangegangenen Def<strong>in</strong>ition<br />
schwacher Stationarität. Wir kannten jedoch zu diesem Zeitpunkt noch nicht<br />
die Rolle der Autokovarianz. Ferner ist es nicht nötig bezüglich der Autokovarianz<br />
den zentrierten Prozess y t = x t − µ gesondert zu betrachten, da<br />
gilt.<br />
Cov[x t , x t−k ] = E [ (x t − µ)(x t−k − µ) ] = E[y t y t−k ] = Cov[y t , y t−k ] (2.16)<br />
2.2.1 Autokovarianz<br />
Wir werden nun die Autokovarianz für den AR(1)-Prozess ausrechnen. Wir<br />
beg<strong>in</strong>nen naheliegenderweise mit dem Lag 1. Man sollte dabei im H<strong>in</strong>terkopf<br />
behalten, dass der AR(1)-Prozess (2.13) den stationären Erwartungswert<br />
E[y t ] = 0 <strong>und</strong> die stationäre Varianz Var[y t ] = γ 0 für alle t besitzt.<br />
14<br />
γ 1 = Cov[y t , y t−1 ] = E[y t y t−1 ]<br />
= E [ ]<br />
(φy t−1 + ɛ t )y t−1 = E[φy<br />
2<br />
t−1 ] + E[ɛ t y t−1 ]<br />
(2.17)<br />
= φVar[y t−1 ] + Cov[ɛ t , y t−1 ]<br />
= φγ 0