Modellierung und Schätzung von ARMA-Prozessen
-
- Taschenbuch
- eBook ausgewählt
-
Form:Einzelkauf Download
-
Sprache:Deutsch
16,99 €
inkl. gesetzl. MwSt.Beschreibung
Produktdetails
Format
ePUB
Kopierschutz
Nein
Family Sharing
Nein
Text-to-Speech
Ja
Erscheinungsdatum
17.08.2010
Verlag
GRINSeitenzahl
35 (Printausgabe)
Dateigröße
2677 KB
Auflage
1. Auflage
Sprache
Deutsch
EAN
9783640682362
Studienarbeit aus dem Jahr 2010 im Fachbereich VWL - Statistik und Methoden, Note: 1,0, Bayerische Julius-Maximilians-Universität Würzburg (Volkswirtschaftliches Institut), Veranstaltung: Zeitreihenanalyse, Sprache: Deutsch, Abstract: Die Seminararbeit "Modellierung und Schätzung von ARMA-Prozessen" bietet einen übersichtlichen Einstieg in stochastische Prozesse sowie ARMA-Prozesse als Methode zur Modellierung von Zeitreihen. Es werden zudem mehrere Schätzmethoden vorgestellt und miteinander verglichen.
Heutzutage ist die Analyse von Zeitreihendaten in fast allen Wissenschaftsgebieten von großer Bedeutung, sei es in der Wirtschaft, in der Industrie, in der Demografie oder in Naturwissenschaften.
Eine Zeitreihe kann als Realisation eines stochastischen Prozesses aufgefasst werden. Es wird angenommen, dass eine Familie von Zufallsvariablen des Prozesses eine bestimmte Verteilung besitzt und die Zufallsvariablen zu gewissen Wahrscheinlichkeiten Werte eines kontinuierlichen Intervalls annehmen. Wichtig für die Charakterisierung der stochastischen Prozesse sind die Momentfunktionen (Erwartungswert, Varianz, Autokovarianz, Autokorrelation). Durch Schätzer dieser Funktionen kann man auf den Prozess zurückschließen, der die Zeitreihe erzeugt hat. Dabei müssen bestimmte Voraussetzungen erfüllt sein, die unter den Begriffen "Stationarität" und "Ergodizität" zusammengefasst werden.
In Kapitel 2 werden spezielle lineare Prozesse behandelt, die sich als Kombination von Zufallsvariablen und Schockterm ausdrücken lassen: White-Noise-Prozesse, autoregressive und Moving-Average-Prozesse sowie deren Kombination in ARMA-Prozessen. Dabei werden die Momentfunktionen der Prozesse hergeleitet sowie Invertierbarkeit und Kausalität erläutert.
In Kapitel 3 wird in einer Einführung die Box-Jenkins-Methode als Ansatz zur Modellierung von Zeitreihen erklärt. In den folgenden Abschnitten werden drei Schätzer für die Parameter von ARMA-Prozessen vorgestellt: Yule-Walker-Schätzer, Maximum-Likelihood-Schätzer und Kleinst-Quadrate-Schätzer. Anschließend wird deren Güte anhand einer Realisation eines ARMA-Prozesses verglichen. Zuletzt wird auf Schätzmethoden für die Ordnung eingegangen. Hierzu bedient man sich der Vektorkorrelationen, welche die wechselseitigen Eigenschaften von ACF und PACF von ARMA-Prozessen ausnutzen. Eine Alternative stellen die Modell-Selektionskriterien (AIC, BIC, HQ) dar.
Im Fazit werden Anwendungsgebiete von ARMA-Prozessen, Vor- und Nachteile deren Modellierung und Schätzung zusammengefasst.
Im Anhang sind Definitionen für Schätzer von Momentfunktionen, Tabellen-, Abbildungs-, Symbol- und Literaturverzeichnis.
Heutzutage ist die Analyse von Zeitreihendaten in fast allen Wissenschaftsgebieten von großer Bedeutung, sei es in der Wirtschaft, in der Industrie, in der Demografie oder in Naturwissenschaften.
Eine Zeitreihe kann als Realisation eines stochastischen Prozesses aufgefasst werden. Es wird angenommen, dass eine Familie von Zufallsvariablen des Prozesses eine bestimmte Verteilung besitzt und die Zufallsvariablen zu gewissen Wahrscheinlichkeiten Werte eines kontinuierlichen Intervalls annehmen. Wichtig für die Charakterisierung der stochastischen Prozesse sind die Momentfunktionen (Erwartungswert, Varianz, Autokovarianz, Autokorrelation). Durch Schätzer dieser Funktionen kann man auf den Prozess zurückschließen, der die Zeitreihe erzeugt hat. Dabei müssen bestimmte Voraussetzungen erfüllt sein, die unter den Begriffen "Stationarität" und "Ergodizität" zusammengefasst werden.
In Kapitel 2 werden spezielle lineare Prozesse behandelt, die sich als Kombination von Zufallsvariablen und Schockterm ausdrücken lassen: White-Noise-Prozesse, autoregressive und Moving-Average-Prozesse sowie deren Kombination in ARMA-Prozessen. Dabei werden die Momentfunktionen der Prozesse hergeleitet sowie Invertierbarkeit und Kausalität erläutert.
In Kapitel 3 wird in einer Einführung die Box-Jenkins-Methode als Ansatz zur Modellierung von Zeitreihen erklärt. In den folgenden Abschnitten werden drei Schätzer für die Parameter von ARMA-Prozessen vorgestellt: Yule-Walker-Schätzer, Maximum-Likelihood-Schätzer und Kleinst-Quadrate-Schätzer. Anschließend wird deren Güte anhand einer Realisation eines ARMA-Prozesses verglichen. Zuletzt wird auf Schätzmethoden für die Ordnung eingegangen. Hierzu bedient man sich der Vektorkorrelationen, welche die wechselseitigen Eigenschaften von ACF und PACF von ARMA-Prozessen ausnutzen. Eine Alternative stellen die Modell-Selektionskriterien (AIC, BIC, HQ) dar.
Im Fazit werden Anwendungsgebiete von ARMA-Prozessen, Vor- und Nachteile deren Modellierung und Schätzung zusammengefasst.
Im Anhang sind Definitionen für Schätzer von Momentfunktionen, Tabellen-, Abbildungs-, Symbol- und Literaturverzeichnis.
Noch keine Bewertungen vorhanden
Verfassen Sie die erste Bewertung zu diesem Artikel
Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.
Kurze Frage zu unserer Seite
Vielen Dank für Ihr Feedback
Wir nutzen Ihr Feedback, um unsere Produktseiten zu verbessern. Bitte haben Sie Verständnis, dass wir Ihnen keine Rückmeldung geben können. Falls Sie Kontakt mit uns aufnehmen möchten, können Sie sich aber gerne an unseren Kund*innenservice wenden.
zum Kundenservice