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 />
Parameterschätzer nicht die selben s<strong>in</strong>d, da die Zeitreihen ja Manifestationen<br />
e<strong>in</strong>es Zufallsprozesses s<strong>in</strong>d. Daher s<strong>in</strong>d die Parameterschätzer ebenfalls vom<br />
Zufall abhängig <strong>und</strong> besitzen sogar e<strong>in</strong>e eigene Wahrsche<strong>in</strong>lichkeitsverteilung.<br />
Auf solchen Verteilungen bauen verschiedene statistische Tests,<br />
wie beispielsweise der Jarque-Bera-Test auf. Wir werden Verteilungen von<br />
Schätzern nur am Rande betrachten, es sollte jedoch nicht außer Acht<br />
gelassen werden, dass verschiedene Schätzer, bspw. KQ-Schätzer (Kle<strong>in</strong>ste<br />
Quadrate) oder ML-Schätzer (Maximum Likelihood) unter Umständen<br />
verschiedene asymptotische Eigenschaften besitzen. Damit ist geme<strong>in</strong>t, dass<br />
sich die Verteilungen der Schätzer für T → ∞ unterschiedlich verhalten<br />
können. Man bevorzugt natürlich solche Schätzer, deren Eigenschaften<br />
möglichst angenehm oder möglichst gut an die Analysesituation angepasst<br />
s<strong>in</strong>d. Wir werden im Folgenden zwei zentrale Schätzverfahren kennenlernen,<br />
die <strong>in</strong> der Statistik e<strong>in</strong>e f<strong>und</strong>amentale Rolle spielen.<br />
Aufgabe 2.5<br />
Gegeben sei die (stationäre) Zeitreihe<br />
(y t ) t=1,...,10 = {2, 3, 4, 5, 4, 1, 0, 1, 3, 2}.<br />
Gehen Sie davon aus, dass diese Zeitreihe von e<strong>in</strong>em<br />
AR(1)-Prozess erzeugt wurde, der e<strong>in</strong>en normalverteilten<br />
Fehlerterm besitzt. Bestimmen Sie die empirischen<br />
Schätzer für µ, γ 0 , γ 1 , γ 2 , ρ 1 , ρ 2 , φ 21 , φ 22 <strong>und</strong><br />
σ 2 .<br />
2.3.2 Kle<strong>in</strong>ste Quadrate (KQ)<br />
Die Kle<strong>in</strong>ste-Quadrate-Methode (KQ-Methode) ist e<strong>in</strong>e <strong>in</strong>tuitiv e<strong>in</strong>gängige<br />
Schätzmethode. Sie ist sehr alt <strong>und</strong> geht auf Carl Friedrich Gauß zurück, der<br />
mit ihr astronomische Berechnungen vorgenommen hat. Die Idee ist recht<br />
e<strong>in</strong>fach, wir werden sie zunächst am Beispiel des Erwartungswertes erörtern.<br />
Die Beobachtungswerte können als Abweichungen vom Erwartungswert y t =<br />
µ+ɛ t geschrieben werden. Der Fehler ɛ t fängt dabei gerade die Abweichungen<br />
auf, wobei hier ke<strong>in</strong>e Verteilung für ɛ t spezifiziert werden muss. Man kann<br />
nun e<strong>in</strong>fach die Summe der quadratischen Fehler m<strong>in</strong>imieren<br />
m<strong>in</strong><br />
T∑<br />
ɛ 2 t = m<strong>in</strong><br />
t=1<br />
T∑<br />
(y t − µ) 2 . (2.34)<br />
t=1<br />
24