Spezifikation von ARIMA-Modellen anhand des Box-Jenkins-Ansatzes

Inhaltsverzeichnis

1 Einleitung

2 Grundlagen zu Zeitreihen und stochastischen Prozessen

3 Univariate Zeitreihenmodelle

3.1 Autoregressive Modelle

3.2 Moving-Average Modelle

3.3 Autoregressive Moving-Average Modelle

3.4 Autoregressive Integrierte Moving-Average Modelle

4 Modellspezifikation univariater Zeitreihenmodelle

4.1 Modellidentifikation

4.2 Schätzung der Modellparameter

4.3 Modelldiagnose

5 Schlussbetrachtung

Zielsetzung und thematische Schwerpunkte

Die vorliegende Arbeit hat zum Ziel, die Modellspezifikation univariater Zeitreihenmodelle unter Anwendung des Box-Jenkins-Ansatzes systematisch vorzustellen und deren theoretische Grundlagen sowie praktische Umsetzung zu erläutern.

• Grundlagen der Zeitreihenanalyse und stochastischer Prozesse
• Charakteristika univariater Zeitreihenmodelle (AR, MA, ARMA, ARIMA)
• Methodik der Modellidentifikation mittels ACF und PACF
• Schätzverfahren für Modellparameter
• Verfahren der Modelldiagnose und Güteprüfung

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Diese Einleitung führt in die Bedeutung der Zeitreihenanalyse ein, definiert das Ziel der Arbeit zur Vorstellung der Modellspezifikation univariater Zeitreihen und gibt einen Überblick über den strukturellen Aufbau der Bachelorarbeit.

2 Grundlagen zu Zeitreihen und stochastischen Prozessen: Dieses Kapitel erläutert fundamentale Begriffe wie stochastische Prozesse, Zeitreihen, Stationarität sowie White-Noise-Prozesse und Random Walks als Basis für die weitere Analyse.

3 Univariate Zeitreihenmodelle: Hier werden verschiedene Modellklassen, darunter AR-, MA-, ARMA- und ARIMA-Modelle, eingeführt, deren Eigenschaften mathematisch definiert und deren Eignung für unterschiedliche Datenstrukturen dargelegt.

4 Modellspezifikation univariater Zeitreihenmodelle: In diesem Hauptteil wird der dreistufige Box-Jenkins-Ansatz – Modellidentifikation, Parameterschätzung und Modelldiagnose – detailliert beschrieben und anhand von Beispielen veranschaulicht.

5 Schlussbetrachtung: Dieses Kapitel fasst die wesentlichen Ergebnisse der Arbeit zusammen und rekapituliert den Ablauf der Modellspezifikation von der Identifikation bis zur abschließenden Diagnose.

Schlüsselwörter

Zeitreihenanalyse, Modellspezifikation, Box-Jenkins-Ansatz, Autoregressive Modelle, Moving-Average, ARMA-Modelle, ARIMA-Modelle, Stationarität, Autokorrelationsfunktion, PACF, Modellidentifikation, Parameterschätzung, Modelldiagnose, White-Noise, Ökonometrie.

Häufig gestellte Fragen

Worum geht es in der Arbeit grundlegend?

Die Bachelorarbeit beschäftigt sich mit der systematischen Spezifikation univariater Zeitreihenmodelle, um zukünftige Werte auf Basis vergangener Beobachtungen präzise prognostizieren zu können.

Welche zentralen Themenfelder deckt die Arbeit ab?

Die zentralen Themen umfassen die theoretischen Grundlagen stochastischer Prozesse, die Klassifizierung univariater Zeitreihenmodelle sowie den praktischen Prozess der Modellspezifikation.

Was ist das primäre Ziel oder die Forschungsfrage?

Das Ziel der Arbeit ist es, das Vorgehen zur Spezifikation univariater Zeitreihenmodelle mittels des Box-Jenkins-Ansatzes verständlich darzustellen und auf verschiedene Modellklassen anzuwenden.

Welche wissenschaftlichen Methoden finden Anwendung?

Die Arbeit verwendet den Box-Jenkins-Ansatz, welcher Methoden zur Modellidentifikation mittels ACF/PACF, diverse Parameterschätzverfahren (wie ML, CLS, ULS) sowie statistische Verfahren der Modelldiagnose umfasst.

Was wird im Hauptteil der Arbeit behandelt?

Der Hauptteil gliedert sich in die Vorstellung der verschiedenen Modelltypen (AR, MA, ARMA, ARIMA) und die detaillierte Analyse der Schritte Modellidentifikation, Parameterschätzung und Modelldiagnose.

Durch welche Schlüsselwörter lässt sich die Arbeit charakterisieren?

Die wichtigsten Begriffe sind Zeitreihenanalyse, Modellspezifikation, Box-Jenkins-Ansatz, ARMA- und ARIMA-Modelle sowie statistische Tests zur Güteprüfung.

Welche Rolle spielt die Stationarität in den untersuchten Modellen?

Stationarität ist eine Grundvoraussetzung für die meisten Zeitreihenmodelle. Das Dokument erklärt, wie instationäre Prozesse durch Differenzenbildung (Integration) in einen stationären Zustand überführt werden können.

Warum ist das "Prinzip der Sparsamkeit" für die Modellanpassung wichtig?

Das Prinzip der Sparsamkeit (principle of parsimony) besagt, dass ein Modell mit möglichst wenigen Parametern an die vorliegenden Daten angepasst werden sollte, um Überanpassung (Overfitting) zu vermeiden.