Advertisement

Neuere Verfahren zur Zeitreihenzerlegung: Überblick über strukturelle Komponentenansätze und ARIMA-Modell gestützte Ansätze

  • Ralf Pauly
Part of the Wirtschaftswissenschaftliche Beiträge book series (WIRTSCH.BEITR., volume 134)

Zusammenfassung

In empirischen Analysen werden ökonomische Variablen y in ihre nicht beobachtbaren Hauptbewegungskomponenten zerlegt. Als wesentliche Komponenten gelten die längerfristige Entwicklungstendenz t, die mittelfristige konjunkturelle Schwingung c, die jahreszeitliche Saisonbewegung s und die kurzfristige Fluktuation u. Ist eine Zeitreihe der Variablen y in Komponenten zerlegt — in einem statistischen Modell wird man von Schätzen der unbeobachtbaren Komponenten sprechen — , dann kann die Entwicklung der interessierenden Variablen y um eine geschätzte Bewegungskomponente bereinigt werden. Mit einer saisonbereinigten Zeitreihe versprechen sich beispielsweise angewandte Wirtschaftsforscher bessere Diagnosen der aktuellen Konjunktursituation als mit unbereinigten Reihen, vgl. hierzu etwa den Monatsbericht der Deutschen Bundesbank vom Oktober 1987. Eine geeignetere Reihe für qualitative Konjunkturdiagnosen kann trotz ihrer unsicheren Schätzung die sogenannte glatte Komponente g sein, in der Trend und Konjunktur zusammengefaßt sind, vgl. beispielsweise Schmidt [1991].

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturhinweise

  1. Akaike, H. [1980] Seasonal Adjustment by a Bayesian Modeling. Journal of Time Series Analysis 1, 1–13.CrossRefGoogle Scholar
  2. Box, G.E.P. und Jenkins, G.M. [1976] Time Series Analysis: Forecasting and Control. Holden-Day, San Francisco.Google Scholar
  3. Claus, T. [1991] Schätz- und Testprozeduren für das verallgemeinerte Regressionsmodell STAR- OS. Beitrag Nr. 25, Institut für Empirische Wirtschaftsforschung, Osnabrück.Google Scholar
  4. Cleveland, W.S. und Devlin, S.J. [1980] Calendar Effects in Monthly Time Series: Detection by Spectrum Analysis and Graphical Methods. Journal of the American Statistical Association 75, 487–496.CrossRefGoogle Scholar
  5. Cleveland, W.S. und Devlin, S.J. [1982] Calendar Effects in Monthly Time Series: Modeling Adjustment. Journal of the American Statistical Association 77, 520–528.CrossRefGoogle Scholar
  6. Cleveland W.S. und Terpenning, I.J. [1982] Graphical Methods for Seasonal Adjustment. Journal of the American Statistical Association 77, 52–62.CrossRefGoogle Scholar
  7. Deutsche Bundesbank [1987] Die Saisonbereinigung als Hilfsmittel der Wirtschaftsbeobachtung. Monatsberichte der Deutschen Bundesbank 1987/10, 30–40.Google Scholar
  8. Dickey D.A.; Bell, W.R. und Miller, R.B. [1986] Unit Roots in Time Series Models: Tests and Implications. The American Statistician 40, 12–26.Google Scholar
  9. Engle, R.F. [1978] Estimating Structural Models of Seasonality. In: A. Zellner (Hrsg.): Seasonal Analysis of Economic Time Series. Bureau of the Census, U.S. Dept. of Commerce, Washington D.C., 281–297.Google Scholar
  10. Fahrmeir, L. [1991] Zustandsraummodelle: Filtern, Glätten und Prognose dynamischer Systeme. Allgemeines Statistisches Archiv 75, 53–74.Google Scholar
  11. Gersch, W. und Kitagawa, G. [1983] The Prediction of Time Series with Trends and Seasonalities. Journal of Business & Economic Statistics 1, 253–264.Google Scholar
  12. Harrison, P.J. und Stevens, C.F. [1976] Bayesian Forecasting. Journal of the Royal Statistical Society B 38, 205–247.Google Scholar
  13. Harvey, A.C. [1984] A Unified View of Statistical Forecasting Procedures. Journal of Forecasting 3, 245–275.CrossRefGoogle Scholar
  14. Harvey, A.C. [1985] Trends and Cycles in Macroeconomic Time Series. Journal of Business & Economic Statistics 3, 216–227.Google Scholar
  15. Harvey, A.C. [1989] Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press, Cambridge.Google Scholar
  16. Harvey, A.C. und Durbin, J. [1986] The Effects of Seat Belt Legislation on British Road Casualties: A Case Study in Structural Time Series Modeling. Journal of the Royal Statistical Society A 149, 187–227.CrossRefGoogle Scholar
  17. Harvey, A.C. und Fernandes, C. [1989] Time Series Models for Count or Qualitative Observations (with discussion). Journal of Business & Economic Statistics 7, 407–422.Google Scholar
  18. Harvey, A.C. und Mckenzie, C.R. [1984] Missing Observations in Dynamic Econometric Models: A Partial Syntheses. In: E. Parzen (Hrsg.): Time Series Analysis of Irregularly Observed Data. Springer, Berlin, 108–133.CrossRefGoogle Scholar
  19. Heiler, S. [1970] Theoretische Grundlagen des „Berliner Verfahrens“. In: W. Wetzel (Hrsg.): Neuere Entwicklungen auf dem Gebiet der Zeitreihenanalyse. Sonderheft 1 zum Allgemeinen Statistischen Archiv, 67–93.Google Scholar
  20. Henderson, R. [1924] A New Method of Graduation. Transactions of Actuarial Society of America 25, 29–40.Google Scholar
  21. Hillmer, S.C.; Bell, W.R. und Tiao, G.C. [1983] Modelling Consideration in the Seasonal Adjustment of Time Series. In: A. Zellner (Hrsg.): Applied Time Series Analysis of Economic Data. Bureau of the Census, Washington D.C., 74–100.Google Scholar
  22. Hillmer, S.C. und Tiao, G.C. [1982] An ARIMA-Model-Based Approach to Seasonal Adjustment. Journal of the American Statistical Association 77, 63–70.CrossRefGoogle Scholar
  23. Kalman, R.E. [1982] Identification from Real Data. In: M. Hazewinkel und A.H.G. Rinnooy Kan (Hrsg.): Current Developments in the Interface: Economics, Econometrics, Mathematics. Reidel Publishing Company, Dordrecht, 161–196.CrossRefGoogle Scholar
  24. Kitagawa, G. [1981] A Nonstationary Time Series Model and its Fitting by a Recursive Filter. Journal of Time Series Analysis 2, 103–116.CrossRefGoogle Scholar
  25. Kitagawa, G. und Gersch, W. [1984] A Smoothness Priors-State Space Modeling of Time Series with Trend and Seasonality. Journal of the American Statistical Association 79, 378–389.Google Scholar
  26. Leser, C.E.V. [1963] Estimation of Quasi-Linear Trend and Seasonal Variation. Journal of the American Statistical Association 58, 1033–1043.CrossRefGoogle Scholar
  27. Magnus, J.R. [1978] Maximum Likelihood Estimation of the GLS Model with Unknown Parameters in the Disturbance Covariance Matrix. Journal of Econometrics 7, 281–312.CrossRefGoogle Scholar
  28. Magnus, J.R. und Neudecker, H. [1988] Matrix Differential Calculus with Applications in Statistics and Econometrics. John Wiley, New York.Google Scholar
  29. Maravall, A. [1985] On Structural Time Series Models and the Characterization of Components. Journal of Business & Economic Statistics 3, 350–355.Google Scholar
  30. Maravall, A. und Pierce, D.A. [1987] A Prototypical Seasonal Adjustment Model. Journal of Time Series Analysis 8, 177–193.CrossRefGoogle Scholar
  31. Nelson, CH.R. und Plosser, CH.I. [1982] Trends and Random Walks in Macroeconomic Time Series. Journal of Monetary Economics 10, 139–162.CrossRefGoogle Scholar
  32. Nerlove, M.; Grether, D.M. und Carvalho, J.L. [1979] Analysis of Economic Time Series. Academic Press, New York.Google Scholar
  33. Pauly, R. [1984] Regressionsansätze zur Zeitreihenzerlegung. In: J. Frohn (Hrsg.): Zur Spezifizierung und Analyse ökonometrischer Modelle. Göttingen, 109–123.Google Scholar
  34. Pauly, R. [1989] A general structural model for decomposing time series and its analysis as a generalized regression model. Statistical Papers 30, 245–261.CrossRefGoogle Scholar
  35. Pauly, R. [1990] Strukturelle Komponentenmodelle in der Zeitreihenzerlegung. Beitrag Nr. 21, Institut für Empirische Wirtschaftsforschung, OsnabrückGoogle Scholar
  36. Pauly, R.; Bousardt, D. und Trenkler, D. [1991] Kleine-Stichproben-Eigenschaften von Parameterschätzern in einem einfachen strukturellen Trendmodell. Beitrag Nr. 26, Institut für Empirische Wirtschaftsforschung, OsnabrückGoogle Scholar
  37. Pauly, R. und Schell, A. [1989] Calendar Effects in Structural Time Series Models with Trend and Season. Empirical Economics 14, 241–256.CrossRefGoogle Scholar
  38. Pauly, R. und Trenkler, D. [1989] Explorative Datenanalyse ökonomischer Zeitreihen: Eine empirische Untersuchung der Auftragseingänge in der Bundesrepublik Deutschland. In: D.P. Prebmar (Hrsg.): OR-Proceedings 1988. Springer, Berlin.Google Scholar
  39. Schäffer, K.-A. [1991] Methoden der Zeitreihenanalyse - Ein Überblick. Allgemeines Statistisches Archiv 75, 24–36.Google Scholar
  40. Schlicht, E. [1981] A Seasonal Adjustment Principle and a Seasonal Adjustment Method Derived from this Principle. Journal of the American Statistical Association 76, 374–378.CrossRefGoogle Scholar
  41. Schlicht, E. [1985] Isolation and Aggregation in Economics. Springer, Berlin.CrossRefGoogle Scholar
  42. Schlicht, E. und Pauly, R. [1983] Descriptive Seasonal Adjustment by Minimizing Perturbations. Empirica, 15–28.Google Scholar
  43. Schlittgen, R. und Streitberg, B.H.J. [1987] Zeitreihenanalyse. 2. Auflage, Oldenbourg, München.Google Scholar
  44. Schmidt, J. [1991] Anwendung der Zeitreihenanalyse zur Konjunkturdiagnose. Allgemeines Statistisches Archiv 75, 9–23.Google Scholar
  45. Stier, W. [1980] Verfahren zur Analyse saisonaler Schwankungen in ökonomischen Zeitreihen. Springer, Berlin.CrossRefGoogle Scholar
  46. Stier, W. [1985] Saisonbereinigungsverfahren. Ein Überblick. OR Spektrum, 63–79.Google Scholar
  47. Thury, G. [1985] Seasonal Adjustment by Signal Extraction. Empirica 12, 191–207.CrossRefGoogle Scholar
  48. Whittaker, E.T. [1923] On a New Method of Graduation. Proceedings of the Edingburgh Mathematical Society 41, 63–75.Google Scholar
  49. Whittaker, E.T. [1924] On the Theory of Graduation. Proceedings of the Royal Society of Edingburgh 44, 77–83.Google Scholar
  50. Wilson, G. [1969] Factorization of the Covariance Generating Function of a Pure Moving Average Process. SIAM 6, 1–7.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1997

Authors and Affiliations

  • Ralf Pauly
    • 1
  1. 1.OsnabrückGermany

Personalised recommendations