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 />
Aufgabe 2.6<br />
Gegeben sei die (stationäre) Zeitreihe<br />
(y t ) t=0,...,4 = {1, 2, 1, 0, 1}.<br />
Gehen Sie zunächst davon aus, dass diese Zeitreihe<br />
von e<strong>in</strong>em AR(1)-Prozess erzeugt wurde, der e<strong>in</strong>en<br />
normalverteilten Fehlerterm besitzt. Bestimmen Sie<br />
den KQ-Schätzer für θ = (θ 0 , φ) ′ .<br />
2.3.3 Maximum Likelihood (ML)<br />
Das Maximum-Likelihood-Pr<strong>in</strong>zip wurde 1922 von Ronald Aylmer Fisher<br />
vorgeschlagen <strong>und</strong> ist heute e<strong>in</strong>s der meist verwendeten Schätzpr<strong>in</strong>zipien<br />
<strong>in</strong> der Statistik. Der Erfolg von ML leitet sich aus verschiedenen Komponenten<br />
ab, wie zum Beispiel angenehme asymptotische Eigenschaften,<br />
Anwendbarkeit für jede spezifizierbare Verteilung, Nähe zu Teststatistiken<br />
usw. Wir werden den Gr<strong>und</strong>gedanken zunächst an e<strong>in</strong>em e<strong>in</strong>fachen Beispiel<br />
demonstrieren.<br />
Beispiel 2.2: Maximum-Likelihood-Pr<strong>in</strong>zip<br />
Seien x = (x 1 , x 2 , x 3 ) drei unabhängige Realisierungen e<strong>in</strong>er normalverteilten<br />
Zufallsvariable X ∼ N(µ, σ 2 ). Dann zerfällt aufgr<strong>und</strong><br />
der Unabhängigkeit die geme<strong>in</strong>same Dichtefunktion von x<br />
<strong>in</strong> das Produkt der Dichten von x 1 , x 2 <strong>und</strong> x 3<br />
p(x 1 , x 2 , x 3 ) =<br />
3∏<br />
p(x k ) = p(x 1 )p(x 2 )p(x 3 ),<br />
k=1<br />
das Produktzeichen funktioniert hier genauso wie das Summenzeichen.<br />
Nach dem Maximum-Likelihood-Pr<strong>in</strong>zip wird nun dieses<br />
Produkt von Dichten als Funktion der Parameter aufgefasst. Die<br />
Likelihood-Funktion ist dann e<strong>in</strong>fach<br />
L(µ, σ 2 ) =<br />
3∏<br />
k=1<br />
1<br />
√<br />
2πσ<br />
2 e− 1 2( x k −µ<br />
σ ) 2 .<br />
Hier wurde die Dichtefunktion der Normalverteilung verwendet,<br />
da die Zufallsvariable X ja normalverteilt ist. Maximierung der<br />
Likelihoodfunktion ergibt dann den gesuchten Schätzer.<br />
28