Zeitreihen kommt in der Forschung eine zentrale Bedeutung zu. Sie zeigen den Verlauf zeitlich geordneter Beobachtungswerte und werden analysiert, um zukünftige Ereignisse besser vorherzusagen. Weiterhin kann man zwei oder mehrere Zeitreihen auf Zusammenhänge untersuchen und so Prognosen erstellen. Betrachtet man die Zeitreihen Konsum und Einkommen, so stellt man intuitiv fest, dass beide zusammenhängen. Die Veränderung der einen Variablen führt zu einer Veränderung der anderen. Mit dem Klassischen Modell der linearen Regression kann man eine mögliche Korrelation zwischen den Variablen untersuchen. Das erfordert aber, dass die Zeitreihen stationär sind. Da ökonomische Zeitreihen typischerweise nichtstationär sind, müssen Differenzen gebildet werden, um Stationarität zu erlangen. Anderenfalls kann es zu Scheinzusammenhängen führen. Durch die Differenzenbildung kommt es zum Verlust von Informationen, daher liefert diese Methode keine zuverlässigen Aussagen. R. F. Engle und C. Granger haben ein Modell entwickelt, welches unter bestimmten Umständen ermöglicht, nichtstationäre Zeitreihen im Rahmen des klassischen Modells der linearen Regression zu verwenden, ohne dass Informationen verloren gehen. Außerdem haben die beiden Forscher erkannt, dass sich jedes Kointegrationsmodell als Fehlerkorrekturmodell darstellen lässt und umgekehrt. Damit gelang es der Forschung langfristige und kurzfristige Beziehungen zwischen Zeitreihen zu analysieren. Das Werk mit dem Titel „Co-Integration and Error Correction: Representation, Estimation, and Testing“ ist Hauptgegenstand der vorliegenden Arbeit. Zunächst werden die Grundbegriffe Stationarität, Integration und Scheinregression geklärt. Im dritten Kapitel erfolgt eine Auseinandersetzung mit den Begriffen Kointegration und Fehlerkorrektur. Dabei wird im ersten Abschnitt das Kointegrationskonzept vorgestellt. Es folgt eine kurze Betrachtung des Granger-Repräsentationstheorems. Im Anschluss wird das Fehlerkorrekturmodell ausführlich vorgestellt, außerdem werden Testverfahren über das Vorliegen von Kointegration erörtert. Kapitel 4 gibt Aufschluss über die Erweiterungen des Kointegrationskonzeptes. Desweiteren wird auch auf die Bedeutung der Kointegration und ihrer Anwendungsgebiete eingegangen.
Inhaltsverzeichnis
1. Einleitung
2. Grundbegriffe
2.1 Stationarität
2.2 Integration
2.3 Scheinregression
3. Kointegration und Fehlerkorrektur
3.1 Das Konzept der Kointegration
3.2 Granger-Repräsentationstheorem
3.3 Das Fehlerkorrekturmodell
3.4 Test auf Kointegration
4. Weiterentwicklungen und Relevanz für Forschung und Praxis
4.1 Weiterentwicklungen des Kointegrationskonzeptes
4.2 Bedeutung von Kointegration für die Forschung
5. Fazit
Zielsetzung und thematische Schwerpunkte
Die vorliegende Arbeit befasst sich mit der Analyse von Zeitreihen in der Finanzwirtschaft, insbesondere mit den Herausforderungen, die durch Nichtstationarität entstehen, und dem Lösungsansatz durch Kointegration und Fehlerkorrekturmodelle nach Engle und Granger.
- Grundlegende Konzepte der Zeitreihenanalyse wie Stationarität und Integration.
- Die Problematik der Scheinregression bei nichtstationären Daten.
- Die theoretische Herleitung des Kointegrationsbegriffs und des Fehlerkorrekturmodells.
- Statistische Testverfahren zur Identifikation von Kointegration.
- Weiterentwicklungen und die praktische Relevanz des Kointegrationskonzepts.
Auszug aus dem Buch
3.1 Das Konzept der Kointegration
Kointegration liegt immer dann vor, wenn zwei oder mehr I(1)-Variablen langfristig gemeinsame Entwicklungen aufweisen. Abgesehen von vorübergehenden Schwankungen bewegen sie sich nicht voneinander weg. Diese Situation wird auch als statistisches Gleichgewicht bezeichnet. Der Sachverhalt kann in der Praxis als langfristige ökonomische Beziehung ausgelegt werden. Ein Beispiel dafür sind die Preise eines Gutes auf zwei verschiedenen räumlich getrennten Märkten. Obwohl die Preise des Gutes kurzfristig voneinander abweichen, ist es jedoch zu beobachten, dass sie sich auf langfristige Sicht annähern.
Die Nobelpreisträger Engle und Granger definieren in ihrer Arbeit von 1987 Kointegration wie folgt: Die Komponenten eines Vektors xt sind kointegriert von der Ordnung (d, b), xt ~ CI(d, b), genau dann, wenn alle Komponenten von xt integriert von der Ordnung d sind und es (mindestens) eine Linearkombination zt dieser Variablen gibt, die integriert ist von der Ordnung d - b, wobei d ≥ b > 0 gilt, d.h. wenn (3.1) α´xt = zt ~ I(d - b) gilt. Der Vektor α wird als Kointegrationsvektor bezeichnet.
Im Folgenden wird eine einfache, statische Regressionsbeziehung zwischen zwei I(1)-Variablen dargestellt. Gegeben sind x und y, die beiden I(1)-Prozesse. Im Normalfall ist eine Linearkombination von x und y ein I(1)-Prozess, es sei denn es existiert ein Parameter a. Die Linearkombination (3.2) xt - a yt = zt ist dann I(0), d.h. sie ist stationär. Demzufolge sind x und y kointegriert. Die zugehörige Gleichgewichtsbeziehung wird durch (3.3) x = ay wiedergegeben. Der Vektor α´= (1 -a) ist der Kointegrationsvektor. Der Prozess z ist der Gleichgewichtsfehler. Er beschreibt die Abweichungen vom Gleichgewicht. Da z ein stationärer Prozess ist und dessen Varianz demzufolge endlich ist, kann der Gleichgewichtsfehler nicht beliebig groß werden. Man kann immer wieder eine Rückkehr des Systems zum Pfad beobachten. Somit stellt die Gleichgewichtsbeziehung (3.3) x = ay einen Attraktor dar.
Zusammenfassung der Kapitel
1. Einleitung: Diese Einleitung führt in die Bedeutung der Zeitreihenanalyse ein und motiviert die Notwendigkeit von Kointegrationsmodellen als Alternative zur klassischen Regression bei nichtstationären Daten.
2. Grundbegriffe: Hier werden die theoretischen Fundamente, insbesondere Stationarität, Integration und das Problem der Scheinregression, erörtert.
3. Kointegration und Fehlerkorrektur: Dieses Kapitel behandelt das zentrale theoretische Konstrukt, das Granger-Repräsentationstheorem sowie die Herleitung des Fehlerkorrekturmodells und zugehörige Testverfahren.
4. Weiterentwicklungen und Relevanz für Forschung und Praxis: Hier werden Erweiterungen des Konzepts, wie die multivariatere oder fraktionale Kointegration, besprochen und der Nutzen für die wirtschaftspolitische Beratung hervorgehoben.
5. Fazit: Das Fazit fasst die Bedeutung von Kointegration für die moderne Ökonometrie zusammen und betont die erfolgreiche Verbindung von kurz- und langfristiger Dynamik.
Schlüsselwörter
Zeitreihenanalyse, Kointegration, Fehlerkorrekturmodell, Stationarität, Integration, Scheinregression, Granger-Repräsentationstheorem, Ökonometrie, Finanzwirtschaft, Langfristige Gleichgewichtsbeziehung, Einheitswurzeltest, Nichtstationarität, Differenzenbildung, Kurzfristdynamik, Stochastischer Trend.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht die methodischen Herausforderungen bei der Analyse von nichtstationären ökonomischen Zeitreihen und stellt das Kointegrationskonzept als Lösung für eine präzise Modellierung vor.
Welche sind die zentralen Themenfelder?
Die zentralen Themen umfassen die Identifikation von stationären und integrierten Zeitreihen, die Vermeidung von Scheinregressionen sowie die Anwendung von Fehlerkorrekturmodellen.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist es, das Konzept der Kointegration als mathematisches Werkzeug zu erläutern, das langfristige ökonomische Zusammenhänge trotz kurzfristiger Schwankungen statistisch korrekt abbildbar macht.
Welche wissenschaftlichen Methoden werden verwendet?
Es werden ökonometrische Methoden wie Einheitswurzeltests, der erweiterte Dickey-Fuller-Test sowie mathematische Herleitungen von Regressionsmodellen und Operatoren (wie der Backshift-Operator) eingesetzt.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretische Definition der Kointegration, das Granger-Repräsentationstheorem, die detaillierte Herleitung von Fehlerkorrekturmechanismen und deren praktische Testbarkeit.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit wird durch Begriffe wie Kointegration, Fehlerkorrektur, Zeitreihenanalyse, Scheinregression und Stationarität geprägt.
Warum kann man bei nichtstationären Zeitreihen nicht einfach eine klassische Regression durchführen?
Eine klassische Regression mit nichtstationären Daten kann zu einer sogenannten Scheinregression führen, bei der statistisch signifikante Zusammenhänge ausgewiesen werden, die in der Realität nicht existieren.
Was genau ist ein Fehlerkorrekturmechanismus?
Dieser Mechanismus beschreibt, dass ein Teil des Ungleichgewichts einer Periode in der nächsten Periode korrigiert wird, wodurch das System langfristig zu einem stabilen Gleichgewicht zurückkehrt.
- Quote paper
- Swetlana Shdanowitsch (Author), 2013, Kointegration und Fehlerkorrektur im Kontext der Zeitreihenanalyse, Munich, GRIN Verlag, https://www.grin.com/document/270723
