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.
Inhaltsverzeichnis
1 Einleitung
1.1 Deskriptive Zeitreihenmodelle
1.2 Stochastische Prozesse
1.2.1 Momentfunktionen stochastischer Prozesse
1.2.2 Stationarität und Ergodizität
1.2.3 Gauß-Prozesse
2 Einführung in ARMA-Modelle
2.1 White-Noise-Prozesse
2.2 Moving-Average-Prozesse
2.3 Autoregressive Prozesse
2.3.1 Invertierbarkeit und Kausalität
2.3.2 Yule-Walker-Gleichungen
2.4 ARMA-Prozesse
3 Modellschätzung
3.1 Yule-Walker-Schätzung
3.2 Maximum-Likelihood-Schätzung
3.3 Kleinste-Quadrate-Methoden
3.4 Vergleich der Schätzungsverfahren anhand eines Beispiels
3.5 Schätzung der Ordnungen p und q
4 Fazit
Zielsetzung & Themen
Die Arbeit befasst sich mit der theoretischen Herleitung sowie der praktischen Schätzung von ARMA-Prozessen, um Zeitreihendaten ökonomisch zu modellieren und zu analysieren. Ziel ist es, die statistischen Grundlagen dieser Prozesse zu vermitteln und gängige Schätzverfahren kritisch gegenüberzustellen.
- Grundlagen stochastischer Prozesse und deren Eigenschaften.
- Modellierung von AR-, MA- und kombinierten ARMA-Prozessen.
- Vergleich von Schätzmethoden wie Yule-Walker, Maximum-Likelihood und Kleinste-Quadrate.
- Methoden zur Identifikation der Modellordnung (p, q).
Auszug aus dem Buch
1.2.1 Momentfunktionen stochastischer Prozesse
Grundlegend für die Behandlung stochastischer Prozesse sind die folgenden Größen, die auch als Momentfunktionen bezeichnet werden und für alle s,t∈T definiert sind:
• Erwartungswertfunktion oder Mittelwertfunktion
(1.3) μt = μ(t) = E[Xt],
• Varianzfunktion
(1.4) σt2 = σ2(t) = Var[Xt],
• Kovarianzfunktion oder Autokovarianzfunktion
(1.5) γ(s,t) = Cov[Xs, Xt],
• Korrelationsfunktion oder Autokorrelationsfunktion
(1.6) ρs,t = ρ(s,t) = γ(s,t) / (σ(s)σ(t)).
Auf Grund der Symmetrie der Kovarianz und Korrelation gilt γ(s,t) = γ(t,s) und ρ(s,t) = ρ(t,s). Die Erwartungswertfunktion gibt an, mit welchem Wert von Xt zum Zeitpunkt t „im Mittel“ zu rechnen ist. Analoges gilt für Varianz-, Kovarianz- und Korrelationsfunktion.
Zusammenfassung der Kapitel
1 Einleitung: Einführung in die Bedeutung der Zeitreihenanalyse in den Wirtschaftswissenschaften und Definition der grundlegenden stochastischen Prozesse.
2 Einführung in ARMA-Modelle: Erläuterung der Komponenten von ARMA-Modellen, inklusive der Definition von White-Noise-, Moving-Average- und autoregressiven Prozessen sowie deren Kombination.
3 Modellschätzung: Darstellung und Vergleich verschiedener Schätzverfahren für ARMA-Parameter sowie Methoden zur Bestimmung der Modellordnung.
4 Fazit: Zusammenfassende Bewertung der Anwendbarkeit von ARMA-Modellen und Ausblick auf komplexere Modellansätze für nicht-lineare Dynamiken.
Schlüsselwörter
Zeitreihenanalyse, ARMA-Prozesse, Stationarität, Ergodizität, Yule-Walker-Schätzung, Maximum-Likelihood-Schätzung, Kleinste-Quadrate-Methode, Autokorrelationsfunktion, Autokovarianzfunktion, Modellselektion, White-Noise, Modellordnung, Zeitreihendaten, Invertierbarkeit, Kausalität
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt die mathematische Modellierung und statistische Schätzung von ARMA-Zeitreihenmodellen, wie sie in der ökonometrischen Praxis Verwendung finden.
Welche zentralen Themenfelder werden abgedeckt?
Die Schwerpunkte liegen auf den theoretischen Eigenschaften stationärer Prozesse, der Spezifikation von ARMA-Modellen und dem Vergleich verschiedener Schätzverfahren für Modellparameter.
Was ist das primäre Ziel der Arbeit?
Ziel ist es, ein fundiertes Verständnis für die Funktionsweise und Anwendung von ARMA-Modellen zu schaffen und aufzuzeigen, wie diese zur Analyse ökonomischer Zeitreihen eingesetzt werden können.
Welche wissenschaftlichen Methoden werden verwendet?
Es werden mathematische Ableitungen aus der Zeitreihenanalyse genutzt, kombiniert mit einer vergleichenden Analyse durch numerische Simulationen mittels der Statistiksoftware R.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in eine theoretische Herleitung der Modelltypen (Kapitel 2) und eine detaillierte Erläuterung sowie Evaluierung der Schätzalgorithmen (Kapitel 3).
Welche Schlüsselwörter charakterisieren die Arbeit?
Wesentliche Begriffe sind Stationarität, Yule-Walker-Schätzer, Maximum-Likelihood, Kleinste-Quadrate-Ansätze sowie die Identifikation von Modellordnungen.
Wie unterscheiden sich CLS- und ULS-Ansätze bei der Schätzung?
Beim bedingten Kleinste-Quadrate-Ansatz (CLS) werden benötigte Startwerte auf Null gesetzt, während beim unbedingten Ansatz (ULS) diese Startwerte aus den vorhandenen Daten geschätzt werden, oft unter Nutzung der Backforecasting-Technik.
Warum ist das Yule-Walker-Verfahren laut Arbeit das schwächste?
Obwohl es für AR-Prozesse gut geeignet ist, zeigt der Vergleich bei ARMA-Modellen, dass die Schätzungen für die MA-Komponente (Beta) und die Fehlervarianz im Vergleich zu ML- und CLS-Verfahren deutlich stärker verzerrt sind.
- Quote paper
- Klaus Hartmann (Author), 2010, Modellierung und Schätzung von ARMA-Prozessen, Munich, GRIN Verlag, https://www.grin.com/document/155502
