Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Bei der Modellbildung ist die Ordnung des Moving-Average- und autoregressiven Pro- zesses zu bestimmen. Beim Moving-Average-Prozess lässt sich die Prozessordnung.

Ähnliche Präsentationen


Präsentation zum Thema: "Bei der Modellbildung ist die Ordnung des Moving-Average- und autoregressiven Pro- zesses zu bestimmen. Beim Moving-Average-Prozess lässt sich die Prozessordnung."—  Präsentation transkript:

1 Bei der Modellbildung ist die Ordnung des Moving-Average- und autoregressiven Pro- zesses zu bestimmen. Beim Moving-Average-Prozess lässt sich die Prozessordnung an- hand der signifikanten Stichprobenautokorrelationen gut bestimmen, da die theoretischen Autokorrelationskoeffizienten eines MA(q)-Prozesses für Lags, die größer als q sind, ver- schwinden. Die Ordnung eines autoregressiven Prozesses kann dagegen nicht auf diese Art und Weise bestimmt werden, da gedämpfte Schwingungen oder monoton fallende Stichprobenautokorrelationen für alternative Lag-Ordnungen q zu erwarten sind. Eine Identifikation der Prozessordnung kann hier jedoch auf der Grundlage der partiellen Autokorrelationsfunktion (PACF) erfolgen. Bei der partiellen Autokorrelationsfunktion zum Lag τ werden die Einflüsse der Variablen X t-1, X t-2,..., X t-τ+1 auf die Variable X t herauspartialisiert. Es wird allein der direkte Ein- fluss von X t-τ auf X t gemessen: Partielle Autokorrelation t1t t X X t 2t X 1t X t X t direkter Einfluss

2 Der partielle Autokorrelationskoeffizient ist ein Spezialfall des partiellen Korrelations- koeffizienten, bei dem Einflüsse dritter Größen auf den Zusammenhang zwischen zwei Merkmalen eliminiert werden. Das Konzept der partiellen Autokorrelation lässt sich am besten anhand der Regres- sionsgleichung erklären. Der erste Index bei den Regressionskoeffizienten gibt den Lag an, der zweite Index die Prozessordnung. Der Regressionskoeffizient pp ist der partielle Auto- korrelationskoeffizient p-ter Ordnung, da er den zusätzlichen (partiellen) Einfluss misst, der von X t-p auf X t ausgeübt wird, wenn die zeitlich dazwischen liegenden Variablen X t-1, X t-2,..., X t-p+1 bereits berücksichtigt sind. Entsprechend sind die übrigen Regressionskoeffizienten zu interpretieren. Entscheidend für die Identifikation der Prozessordnung ist die Eigenschaft, dass die partiellen Autokorrelationskoeffizienten eines AR(p)-Prozesses für ein Lag τ > p verschwindet:

3 Um die Ordnung eines autoregressiven Prozesses identifizieren zu können, sind die signifikanten partiellen Stichprobenautokorrelationskoeffizienten zu ermitteln, wobei man eine Signifikanz bei einem sehr hohen Lag in der Regel unberücksichtigt lässt. Hierzu ist die Kenntnis der Verteilung der geschätzten PAC-Koeffizienten erforderlich: Bei einer vorgegebenen Irrtumswahrscheinlichkeit um 5% sind diejenigen partiellen Autokorrelationskoeffizienten als signifikant einzustufen, die außerhalb des approximativen Konfidenzintervalls liegen.

4 In der Gleichung muss sein. Setzt man an, so muss außerdem gelten, da bei einem AR(1)-Prozess die verzögerten Variablen X t-2 (ebenso wie die verzögerten Variablen X t-3, X t-4,...) nicht in der Prozessgleichung enthalten sind. Das bedeutet, dass die partiellen Autokorrelationen für Lags, die größer als 1 sind, verschwinden. Die partielle Autokorrelationsfunktion eines AR(1)-Prozesses,, hat daher die Form Da zwischen X t-1 und X t keine intervenierende Variable liegt, muss gelten, d.h. der partielle AC-Koeff. 1. Ordn. entspricht dem gewöhnlichen AC-Koeff. 1. Ordn. Lag Ord- nung Lag Ord- nung Partielle Autokorrelationsfunktion (PACF) AR(1)-Prozess: ProzessordnungLag

5 Abbildung : Partielle Autokorrelationsfunktion für AR(1)-Prozess (a)(b)

6 AR(2)-Prozess: Lag Ord- nung Lag Ord- nung Für τ = 1 ergibt sich der partielle Autokorrelationskoeffizient eines AR(2)- Prozesses wie folgt: Für τ = 2 erhält man den partielle Autokorrelationskoeffizienten 22 aus

7 Für τ > 2 verschwinden die partiellen Autokorrelationskoeffizienten 2, was analog wie bei dem AR(1)-Prozess begründet werden kann. Damit hat die partielle Autokorrelationsfunktion eines AR(2)-Prozesses, 2, die Form

8 Abbildung: Partielle Autokorrelationsfunktion für AR(2)-Prozess ,3/(1- 0,6)=0,75 0, ,2/(1- 0,4)=-0,333 0,40000


Herunterladen ppt "Bei der Modellbildung ist die Ordnung des Moving-Average- und autoregressiven Pro- zesses zu bestimmen. Beim Moving-Average-Prozess lässt sich die Prozessordnung."

Ähnliche Präsentationen


Google-Anzeigen