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 />
LogLikelihood-Funktion für die unabhängigen Realisierungen (x 1 , . . . , x n )<br />
l(µ, σ 2 ) = log L(µ, σ 2 ) = − n 2 log[2πσ2 ] − 1<br />
2σ 2<br />
n∑<br />
(x k − µ) 2 . (2.43)<br />
In (2.43) steht nun aufgr<strong>und</strong> der Logarithmierung ke<strong>in</strong> Produkt mehr, sondern<br />
lediglich e<strong>in</strong>e Summe. Abbildung 2.5 (rechts) zeigt die Funktionswerte<br />
der LogLikelihood-Funktion an den Datenpunkten x 1 bis x 3 aus Beispiel 2.2<br />
auf Seite 28 für verschiedene Parameterkonfigurationen.<br />
Wir wollen nun ML-Schätzer für den AR(1)-Prozess ausrechnen. Hier<br />
stoßen wir jedoch auf die Schwierigkeit, dass die Realisierungen y t nicht unabhängig<br />
s<strong>in</strong>d. Dadurch zerfällt die geme<strong>in</strong>same Dichte nicht <strong>in</strong> e<strong>in</strong> Produkt<br />
der E<strong>in</strong>zeldichten. Wir er<strong>in</strong>nern uns jedoch an die Markov-Eigenschaft des<br />
AR(1)-Prozesses, speziell daran, dass die gesamte Vergangenheit des Prozesses<br />
<strong>in</strong> der letzten Realisierung gespeichert ist. Das bedeutet, bei Kenntnis des<br />
letzten Wertes y t−1 ist die Information über weiter zurückliegende Realisationen<br />
des Prozesses im H<strong>in</strong>blick auf y t irrelevant. Daher zerfällt die geme<strong>in</strong>same<br />
Dichte p(y T , . . . , y 1 ) <strong>in</strong> e<strong>in</strong> Produkt von E<strong>in</strong>zeldichten unter der Bed<strong>in</strong>gung,<br />
dass die jeweils vorangegangene Realisierung, <strong>in</strong>sbesondere y 0 , bekannt ist<br />
k=1<br />
p(y T , y T −1 , . . . , y 1 ) =<br />
T∏<br />
p(y t |y t−1 ). (2.44)<br />
t=1<br />
Die Dichte p(y t |y t−1 ) wird bed<strong>in</strong>gte Dichte genannt, da sie an die Bed<strong>in</strong>gung<br />
der Kenntnis von y t−1 geknüpft ist. Für unseren allgeme<strong>in</strong>en AR(1)-Prozess<br />
y t = θ 0 + φy t−1 + ɛ t mit ɛ t ∼ N(0, σ 2 ) <strong>und</strong> y 0 bekannt, gilt dann<br />
p(y t |y t−1 ) =<br />
1<br />
√ 1 (y t −θ 0 −φy t−1 ) 2<br />
2πσ<br />
2 e− 2 σ 2 . (2.45)<br />
Damit kann ebenfalls die LogLikelihood-Funktion für den gesamten Prozess,<br />
vgl. (2.43), angegeben werden<br />
l(θ 0 , φ, σ 2 ) =<br />
T∑<br />
t=1<br />
log p(y t |y t−1 ) = − T 2 log[2πσ2 ] − 1<br />
2σ 2 Q(θ 0, φ). (2.46)<br />
Wir haben hier wieder die Abkürzung Q für die Quadratsumme verwendet,<br />
vgl. (2.38) auf Seite 25. Wir stellen fest, dass der Parameter σ 2 offenbar nicht<br />
<strong>in</strong> der Quadratsumme steht <strong>und</strong> leiten deswegen zunächst nach ihm ab<br />
30<br />
∂<br />
∂σ 2 l(θ 0, φ, σ 2 ) = − T<br />
2σ 2 + 1<br />
2σ 4 Q(θ 0, φ) ! = 0. (2.47)