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 />
Mit anderen Worten, die Partielle Autokorrelation (PACF) mit Lag 1 entspricht<br />
genau der herkömmlichen Autokorrelation (ACF) <strong>und</strong> die Partielle<br />
Autokorrelation mit Lag 2 verschw<strong>in</strong>det. Bei genauerem H<strong>in</strong>sehen ist das<br />
genau das Ergebnis, dass sich mit der Idee der partiellen Autokorrelation<br />
deckt. Da beim AR(1)-Prozess ke<strong>in</strong>e Interferenzen zu erwarten s<strong>in</strong>d (es wird<br />
ja lediglich e<strong>in</strong> verzögerter Wert berücksichtigt), entspricht die PACF gerade<br />
der ACF. Ferner werden die Echos für Lags k > 1 beseitigt. Wir haben<br />
das hier zwar nur für k = 2 gezeigt, es ist jedoch e<strong>in</strong>e wichtige Eigenschaft<br />
der AR(p)-Prozesse, dass die Partielle Autokorrelation für Lags k > p<br />
augenblicklich auf null abfällt.<br />
Aufgabe 2.4<br />
Lösen Sie, falls möglich, das l<strong>in</strong>eare Gleichungssystem<br />
Ax = b mit<br />
( ) ( ( ) ( )<br />
2 2 3 4 1 −2<br />
a) A = , b =<br />
b) A = , b =<br />
1 2 6)<br />
2 3 8<br />
( ) ( ( ) ( 3 2 0 2 3 0<br />
c) A = , b =<br />
d) A = , b =<br />
6 4 2)<br />
6 4 2)<br />
( ) ( )<br />
−1 12 −3<br />
e) A =<br />
, b =<br />
0 −4 −8<br />
2.3 Parameterschätzung<br />
Wir haben bereits gelernt, dass die Zeitreihe lediglich e<strong>in</strong>e Manifestation<br />
von Werten ist, die von e<strong>in</strong>em (meist unbekannten) stochastischen Prozess<br />
generiert werden. Das wirft unmittelbar zwei wichtige Probleme auf: Erstens,<br />
woher weiß man, welcher Prozess die Datenreihe generiert hat <strong>und</strong> zweitens,<br />
wie sehen die Parameter dieses Prozesses aus. Die erste Fragestellung betrifft<br />
die Modellidentifikation, auf die wir später zurückkommen werden, die<br />
zweite betrifft die Parameterschätzung.<br />
E<strong>in</strong>e der angenehmsten Eigenschaften der Stationarität ist, dass die Parameterschätzer<br />
mit denen aus e<strong>in</strong>fachen Stichprobensituationen übere<strong>in</strong>stimmen.<br />
Wir bezeichnen im Folgenden die Schätzer mit e<strong>in</strong>em Dach über dem<br />
Symbol, bspw. ˆµ ist e<strong>in</strong> Schätzer für den Erwartungswert. (y t ) t=1,...,T sei e<strong>in</strong>e<br />
Zeitreihe, die von e<strong>in</strong>em uns bekannten stationären Prozess erzeugt wurde.<br />
20