Skip to main content
main-content

Tipp

Weitere Kapitel dieses Buchs durch Wischen aufrufen

2022 | OriginalPaper | Buchkapitel

4. Prognose stationärer Prozesse

verfasst von : Klaus Neusser, Martin Wagner

Erschienen in: Zeitreihenanalyse in den Wirtschaftswissenschaften

Verlag: Springer Berlin Heidelberg

share
TEILEN

Auszug

Eine der wichtigsten Anwendungen der Zeitreihenanalyse ist die Prognose. Im Folgenden betrachten wir das Problem, die Werte X T+h mit Prognosehorizont h > 0 eines stationären stochastischen Prozesses { X t} bei bekanntem Erwartungswert μ und bekannter Kovarianzfunktion γ( h) zu prognostizieren, wobei { X T, …, X 1} 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]). …
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.
Zurück zum Zitat Abraham, B., Ledolter, J.: Statistical Methods for Forecasting. Wiley, New York (1983) CrossRef Abraham, B., Ledolter, J.: Statistical Methods for Forecasting. Wiley, New York (1983) CrossRef
43.
Zurück zum Zitat Brockwell, P.J., Davis, R.A.: Time Series: Theory and Methods, 2. Aufl. Springer, New York (1991) CrossRef Brockwell, P.J., Davis, R.A.: Time Series: Theory and Methods, 2. Aufl. Springer, New York (1991) CrossRef
44.
Zurück zum Zitat Brockwell, P.J., Davis, R.A.: Introduction to Time Series and Forecasting. Springer, New York (1996) CrossRef Brockwell, P.J., Davis, R.A.: Introduction to Time Series and Forecasting. Springer, New York (1996) CrossRef
73.
Zurück zum Zitat Deistler, M., Neusser, K.: Prognosen uni- und multivariater Zeitreihen. In: Mertens, P. (Hrsg.) Prognoserechnung, 5. Aufl., S. 259–277. Physica-Verlag, Heidelberg (1994) CrossRef 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.
Zurück zum Zitat Deistler, M., Scherrer, W.: Modelle der Zeitreihenanalyse. Birkhäuser, Basel (2018) CrossRef Deistler, M., Scherrer, W.: Modelle der Zeitreihenanalyse. Birkhäuser, Basel (2018) CrossRef
87.
Zurück zum Zitat Durbin, J.: The fitting of time series models. Revue de l'Institut International de Statistique 28, 233–244 (1960) CrossRef Durbin, J.: The fitting of time series models. Revue de l'Institut International de Statistique 28, 233–244 (1960) CrossRef
91.
Zurück zum Zitat Elliott, G., Timmermann, A.: Economic forecasting. J. Econ. Lit. 46, 3–56 (2008) CrossRef Elliott, G., Timmermann, A.: Economic forecasting. J. Econ. Lit. 46, 3–56 (2008) CrossRef
125.
Zurück zum Zitat Gouriéroux, C., Monfort, A.: Time Series and Dynamic Models. Cambridge University Press, Cambridge (1997) MATH Gouriéroux, C., Monfort, A.: Time Series and Dynamic Models. Cambridge University Press, Cambridge (1997) MATH
137.
Zurück zum Zitat Hannan, E.J., Deistler, M.: The Statistical Theory of Linear Systems. Wiley, New York (1988) MATH Hannan, E.J., Deistler, M.: The Statistical Theory of Linear Systems. Wiley, New York (1988) MATH
138.
Zurück zum Zitat 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) 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.
Zurück zum Zitat 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 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.
Zurück zum Zitat Lippi, M., Reichlin, L.: The dynamic effects of aggregate demand and supply disturbances: Comment. Am. Econ. Rev. 83, 644–652 (1993) Lippi, M., Reichlin, L.: The dynamic effects of aggregate demand and supply disturbances: Comment. Am. Econ. Rev. 83, 644–652 (1993)
194.
Zurück zum Zitat Mertens, P., Rässler, S.: Prognoserechnung – Einführung und Überblick. In: Mertens, P., Rässler, S. (Hrsg.) Prognoserechnung, S. 1–37. Physica-Verlag, Heidelberg (2005) CrossRef Mertens, P., Rässler, S.: Prognoserechnung – Einführung und Überblick. In: Mertens, P., Rässler, S. (Hrsg.) Prognoserechnung, S. 1–37. Physica-Verlag, Heidelberg (2005) CrossRef
201.
Zurück zum Zitat Muth, J.: Optimal properties of exponentially weighted forecasts. J. Am. Stat. Assoc. 55, 299–306 (1960) CrossRef Muth, J.: Optimal properties of exponentially weighted forecasts. J. Am. Stat. Assoc. 55, 299–306 (1960) CrossRef
233.
Zurück zum Zitat Quah, D.: Permanent and transitory movements in labor income: An explanation for “excess smoothness” in consumption. J. Polit. Econ. 98, 449–475 (1990) CrossRef 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.
Zurück zum Zitat Rosenblatt, M.: Gaussian and Non-Gaussian Linear Time Series and Random Fields. Springer, New York (2000) CrossRef Rosenblatt, M.: Gaussian and Non-Gaussian Linear Time Series and Random Fields. Springer, New York (2000) CrossRef
277.
Zurück zum Zitat Wiener, N.: Extrapolation, Interpolation and Smoothing of Stationary Time Series with Engineering Applications. MIT Press/Wiley, Cambridge, MA/London (1949) MATH 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
DOI
https://doi.org/10.1007/978-3-662-64650-2_4

Premium Partner