Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Einführung und grundlegende theoretische Konzepte Kapitel lesen Erstes Kapitel lesen

2022 | OriginalPaper | Buchkapitel

4. Prognose stationärer Prozesse

verfasst von : Klaus Neusser, Martin Wagner

Erschienen in: Zeitreihenanalyse in den Wirtschaftswissenschaften

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Auszug

Eine der wichtigsten Anwendungen der Zeitreihenanalyse ist die Prognose. Im Folgenden betrachten wir das Problem, die Werte XT+h mit Prognosehorizont h > 0 eines stationären stochastischen Prozesses {Xt} bei bekanntem Erwartungswert μ und bekannter Kovarianzfunktion γ(h) zu prognostizieren, wobei {XT, …, X1} als gegeben betrachtet werden.1 Dabei wird davon ausgegangen, dass bis auf eine Konstante bereits alle deterministischen Komponenten (wie Trend, Saisonalität, etc.) eliminiert worden sind und man sich auf die stochastische Komponente beschränken kann. In den meisten Anwendungen sind der Erwartungswert und die Autokovarianzfunktion jedoch nicht bekannt und müssen daher aus den Daten geschätzt werden. Dabei kann die Autokovarianzfunktion entweder direkt mit den Verfahren aus Abschn. 3.​2 geschätzt werden oder indirekt aus einem an die Daten angepassten ARMA-Modell. In diesem Sinn ist das Prognoseproblem daher inhärent mit der Identifikation entsprechender Modelle verschränkt (siehe Deistler und Neusser [73]). …

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Schätzung der ersten zwei Momente
Nächstes Kapitel Parameterschätzung in stationären ARMA-Modellen
Fußnoten
1
Die hier vorgestellte elegante Theorie wurde von Kolmogorov [171] und Wiener [277] entwickelt.
 
2
Für einen allgemeinen Überblick über Prognoseverfahren und Prognoseevaluation in der Ökonomie siehe Elliott und Timmermann [91].
 
3
In der Praxis kommt es allerdings vor, dass der Prognostiker die Überbringung schlechter Nachrichten zu vermeiden trachtet.
 
4
Vergleiche dazu den Kleinstquadrate-Schätzer einer linearen Regression.
 
5
GARCH-Prozesse, zum Beispiel, sind Weißes Rauschen aber nicht IID (siehe Kap. 8).
 
6
Eine tiefer gehende Diskussion dieser Problematik und ihrer ökonomischen Implikationen sowie mit interessanteren ökonomischen Beispielen sind u. a. in Hansen und Sargent [138], Quah [233] und Lippi und Reichlin [182] zu finden.
 
7
Dies ist nicht ganz exakt, da in der Definition der Kausalität die absolute Summierbarkeit der Koeffizienten {ψj} verlangt wird, während der Satz von Wold nur die quadratische Summierbarkeit impliziert.
 
8
Dies war zu erwarten, da ja das exponentielle Glätten auf der Idee eines sich verändernden Erwartungswerts beruht.
 
Literatur
1.
Abraham, B., Ledolter, J.: Statistical Methods for Forecasting. Wiley, New York (1983)CrossRef
43.
Brockwell, P.J., Davis, R.A.: Time Series: Theory and Methods, 2. Aufl. Springer, New York (1991)CrossRef
44.
Brockwell, P.J., Davis, R.A.: Introduction to Time Series and Forecasting. Springer, New York (1996)CrossRef
73.
Deistler, M., Neusser, K.: Prognosen uni- und multivariater Zeitreihen. In: Mertens, P. (Hrsg.) Prognoserechnung, 5. Aufl., S. 259–277. Physica-Verlag, Heidelberg (1994)CrossRef
74.
Deistler, M., Scherrer, W.: Modelle der Zeitreihenanalyse. Birkhäuser, Basel (2018)CrossRef
87.
Durbin, J.: The fitting of time series models. Revue de l'Institut International de Statistique 28, 233–244 (1960)CrossRef
91.
Elliott, G., Timmermann, A.: Economic forecasting. J. Econ. Lit. 46, 3–56 (2008)CrossRef
125.
Gouriéroux, C., Monfort, A.: Time Series and Dynamic Models. Cambridge University Press, Cambridge (1997)MATH
137.
Hannan, E.J., Deistler, M.: The Statistical Theory of Linear Systems. Wiley, New York (1988)MATH
138.
Hansen, L.P., Sargent, T.J.: Two difficulties in interpreting vector autoregressions. In: Hansen, L.P., Sargent, T.J. (Hrsg.) Rational Expectations Econometrics, Underground Classics in Economics, S. 77–119. Westview, Boulder (1991)
171.
Kolmogorov, A.N.: Sur l'interpolation et extrapolation des suites stationaires. Comptes rendus hebdomadaires des scéances de l'Académie des Sciences 208, 2043–2045 (1939)MATH
182.
Lippi, M., Reichlin, L.: The dynamic effects of aggregate demand and supply disturbances: Comment. Am. Econ. Rev. 83, 644–652 (1993)
194.
Mertens, P., Rässler, S.: Prognoserechnung – Einführung und Überblick. In: Mertens, P., Rässler, S. (Hrsg.) Prognoserechnung, S. 1–37. Physica-Verlag, Heidelberg (2005)CrossRef
201.
Muth, J.: Optimal properties of exponentially weighted forecasts. J. Am. Stat. Assoc. 55, 299–306 (1960)CrossRef
233.
Quah, D.: Permanent and transitory movements in labor income: An explanation for “excess smoothness” in consumption. J. Polit. Econ. 98, 449–475 (1990)CrossRef
239.
Rosenblatt, M.: Gaussian and Non-Gaussian Linear Time Series and Random Fields. Springer, New York (2000)CrossRef
277.
Wiener, N.: Extrapolation, Interpolation and Smoothing of Stationary Time Series with Engineering Applications. MIT Press/Wiley, Cambridge, MA/London (1949)MATH
Metadaten
Titel
Prognose stationärer Prozesse
verfasst von
Klaus Neusser
Martin Wagner
Copyright-Jahr
2022
Verlag
Springer Berlin Heidelberg
Buch
Zeitreihenanalyse in den Wirtschaftswissenschaften

Print ISBN: 978-3-662-64649-6

Electronic ISBN: 978-3-662-64650-2

Copyright-Jahr: 2022

DOI
https://doi.org/10.1007/978-3-662-64650-2_4