Zusammenfassung
In diesem Kapitel behandeln wir sogenannte autoregressive Prozesse, d. h. stationäre Lösungen von Differenzengleichungen der Form
wobei ε t weißes Rauschen ist. Für die praktischen Anwendungen der Zeitreihenanalyse bilden AR-Modelle die wohl gebräuchlichste Modellklasse. Mit AR-Modellen kann man insbesondere Prozesse mit dominierenden „fast periodischen“ Komponenten, wie sie in vielen Anwendungen zu finden sind, gut beschreiben.
Ein weiterer wichtiger Vorteil von autoregressiven Prozessen ist deren einfache Prognose. Unter der Stabilitätsbedingung ist die Ein-Schritt-Prognose aus der unendlichen Vergangenheit einfach \(\hat{x}_{t,1}=a_{1}x_{t}+\cdots+a_{p}x_{t+1-p}\). Das AR-Modell kann auch sehr einfach z. B. mit Hilfe der sogenannten Yule-Walker Gleichungen geschätzt werden.
Im ersten Abschnitt diskutieren wir kurz die stationäre Lösung des AR-Systems unter der Stabilitätsbedingung. Wir behandeln dann die Prognose von AR-Prozessen aus der endlichen bzw. unendlichen Vergangenheit und diskutieren die wesentlichen Charakteristika der spektralen Dichte von AR-Prozessen. Der vorletzte Abschnitt ist den Yule-Walker-Gleichungen gewidmet, die den Zusammenhang zwischen den Parametern des AR-Systems und der Kovarianzfunktion herstellen.
Im letzten Abschnitt betrachten wir auch spezielle nicht-stationäre Lösungen, nämlich sogenannte integrierte und kointegrierte Prozesse, die im Fall einer sogenannten Einheitswurzel (unit root) auftreten. Eines der wichtigsten Resultate ist der Darstellungssatz von Granger.
This is a preview of subscription content, log in via an institution.
Notes
- 1.
George Udny Yule (1871–1951). Schottischer Statistiker. Einer der frühen Pioniere der Zeitreihenanalyse. AR- und MA-Modelle gehen auf ihn zurück.
- 2.
Abraham Wald (1902–1950). Deutschsprachiger US-amerikanischer Mathematiker, Ökonometriker und Statistiker (in Siebenbürgen geboren). Begründete die statistische Entscheidungstheorie; zahlreiche fundamentale Arbeiten, wie etwa den Wald-Test oder sequentielle Testverfahren.
- 3.
Theodore W. Anderson (1918–2016). US-amerikanischer Statistiker. Wie E.J. Hannan einer der Begründer der modernen Zeitreihenanalyse.
- 4.
Norman Levinson (1912–1975). US-amerikanischer Mathematiker. In unserem Zusammenhang vor allem durch den Durbin-Levinson-Algorithmus bekannt.
- 5.
James Durbin (1923–2012). Britischer Statistiker und Ökonometriker. Insbesondere durch den Durbin-Watson-Test und Tests auf Strukturbrüche bekannt.
- 6.
Clive W. J. Granger (1934–2009). Britisch-US-amerikanischer Ökonometriker. Arbeiten zur Spektralanalyse von ökonomischen Zeitreihen, zur Analyse der Kausalität („Granger-Kausalität“) und zur Kointegration. Wurde 2003 mit dem Nobelpreis für Wirtschaftswissenschaften ausgezeichnet.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2018 Springer International Publishing AG
About this chapter
Cite this chapter
Deistler, M., Scherrer, W. (2018). Autoregressive Prozesse. In: Modelle der Zeitreihenanalyse. Mathematik Kompakt. Birkhäuser, Cham. https://doi.org/10.1007/978-3-319-68664-6_5
Download citation
DOI: https://doi.org/10.1007/978-3-319-68664-6_5
Published:
Publisher Name: Birkhäuser, Cham
Print ISBN: 978-3-319-68663-9
Online ISBN: 978-3-319-68664-6
eBook Packages: Life Science and Basic Disciplines (German Language)