Kapitel 13 Zeitreihen und Zeitreihen-Modelle

1. Kapitel 13Zeitreihen und Zeitreihen-Modelle

2. Privater Konsum Privater Konsum, Ö, Mrd.EUR, in Preisen von 1995 Hackl, Einführung in die Ökonometrie

3. Privater Konsum, Forts. Änderung des Privaten Konsums, Mrd.EUR, in Preisen von 1995 Hackl, Einführung in die Ökonometrie

4. Persönlich verfügbares Einkommen Persönlich verfügbares Einkommen, Ö, Quartalsdaten Hackl, Einführung in die Ökonometrie

5. Zeitreihe Ist eine zeitlich geordnete Folge von Beobachtungen einer Zufallsvariablen Beispiele: • Jährliche Werte des Privaten Konsums • Änderungen der Ausgaben für Privaten Konsum • Quartalswerte des persönlich verfügbaren Einkommens • Monatliche Werte der Importe Notation: Zufallsvariable Y Folge von Beobachtungen: Y1, Y2, ... , Yn Zeitreihe wird auch als Realisation eines stochastischen Prozesses aufgefasst Hackl, Einführung in die Ökonometrie

6. Komponenten einer Zeitreihe Komponeten oder Charakteristika einer Zeitreihe sind • Trend • Saisonalität • Irreguläre Fluktuationen Modell einer Zeitreihe soll die Charakteristika möglichst gut repräsentieren • Darstellung der Zeitreihe • Prognose (Extrapolation) Beispiel: Yt = βt + ΣiγiDit + ut mit Dit = 1 wenn t das i-te Quartal zum Beschreiben der Entwicklung des persönlichen Einkommens Hackl, Einführung in die Ökonometrie

7. Stochastischer Prozess Ist eine Folge von Zufallsvariablen Yt: {Yt, t = 1, ..., n} {Yt, t = -∞, ..., ∞} Gemeinsame Verteilung der Y1, ... , Yn: p(y1, …., yn) Für viele Fragestellungen: wesentliches Charakteristikum von p(.) ist der Verlauf des Erwartungswertes mt = E{Yt} Beispiel: Extrapolieren einer Zeitreihe zum Zweck der Prognose Hackl, Einführung in die Ökonometrie

8. Stationarität Stationarität eines stochastischen Prozesses: Eigenschaft der gemeinsamen Verteilung, insbesondere • der Varianzen Var{Yt} und • der Kovarianzen Cov{Yt, Yt+k} Kovarianz-Funktion: gt,k = Cov{Yt, Yt+k}, k = 0, ±1,… Eigenschaften: gt,k = gt,-k gt,0 = 1 Schwach stationärer Prozess: E{Yt} = m für alle t Cov{Yt, Yt+k} = gk, k = 0, ±1, … für alle t und alle k auch kovarianz-stationärer Prozess Hackl, Einführung in die Ökonometrie

9. AC- und PAC-Funktion Autokorrelations-Funktion (AC-Funktion) ist von Skalierung von Y unabhängig; für stationären Prozess: rk = gk/g0, k = 0, ±1,… Eigenschaften: |rk| ≤ 1 rk = r-k r0 = 1 Korrelogramm: graphische Darstellung der AC-Funktion Partielle Autokorrelations-Funktion (PAC-Funktion): fkk = Corr(Yt, Yt-k|Yt-1,...,Yt-k+1), k = 0, ±1, … fkk ergibt sich aus Yt = fk0+ fk1Yt-1 + ... + fkkYt-k Partielles Korrelogramm: graphische Darstellung der PAC-Funktion Hackl, Einführung in die Ökonometrie

10. AC- und PAC-Funktion, Forts. Beispiel: Weißes Rauschen rk = fkk = 1, wenn k = 0, rk = fkk = 0, wenn k≠ 0, Schätzen der AC- und PAC-Funktion: Schätzer für rk: Schätzer für fkk ergibt sich als Koeffizient von Yt-k aus Regression von Yt auf Yt-1, …, Yt-k Hackl, Einführung in die Ökonometrie

11. AR(1)-Prozess Yt = jYt-1 + et mit et: Weißes Rauschen Alternative Darstellung: Yt = Sijiet-i Mit |j| < 1 ergibt sich |j| < 1 nennt man die Stationaritäts-Bedingung AC-Funktion: rk = jk, k = 0, ±1,… PAC-Funktion: f11 = j, fkk = 0 für k > 1 Hackl, Einführung in die Ökonometrie

12. AR(p)-Prozess Yt = a + j1Yt-1 + … + jpYt-p + et mit et: Weißes Rauschen Lag-Operator L: verschiebt den Laufindex um eine Periode LYt = Yt-1 Es gilt: LsYt = Yt-s; L0Yt = Yt AR(p)-Prozess: Yt - j1Yt-1 - … - jpYt-p = (I - j1L - … - jpLp)Yt = a + et oder F(L)Yt = a + etmit dem Lag-Polynom F(L) Stationaritäts-Bedingung: Für die p Wurzeln zi des Charakteristischen Polynoms F(z) = 1 - j1z - … - jpzp muss gelten: |zi| > 1, i = 1, …, p Hackl, Einführung in die Ökonometrie

13. AR(p)-Prozess, Forts. Yt = a + j1Yt-1 + … + jpYt-p + et mit et: Weißes Rauschen Sei Stationaritäts-Bedingung erfüllt (die p Wurzeln des Charakteristischen Polynoms F(z) erfüllen |zi| > 1) AC-Funktion: gedämpft, unendlich PAC-Funktion: fkk = 0 für k > p Kenntnis der Form der AC- und PAC-Funktionen hilft beim Identifizieren der Ordnung des Prozesses Hackl, Einführung in die Ökonometrie

14. MA(1)-Prozess Yt = a + ut - qut-1 = a + Q(L)ut mit ut: Weißes Rauschen AR(∞)-Darstellung: Yt = a/(1-q) + ut + Si q iYt-i setzt voraus, dass |q| < 1 (Invertierbarkeits-Bedingung) Eigenschaften des MA(1)-Prozesses: • Der Prozess ist für alle a und q stationär • E{Yt} = a, Var{Yt} = s2(1+q2), g1 = s2q • AC-Funktion: r1= - q/(1-q2), rk = 0 für k > 1 • PAC-Funktion: exponentiell abnehmend, wenn q > 0, sonst alternierend, exponentiell abnehmend Hackl, Einführung in die Ökonometrie

15. MA(q)-Prozess Yt = a + ut - q1ut-1 - … - qqut-q = a + Q(L)ut mit ut: Weißes Rauschen Eigenschaften des MA(q)-Prozesses: • MA(q)-Prozess ist stets stationär • AC-Funktion: rk = 0 für k > q • PAC-Funktion: • exponentiell abnehmend bei reellen Wurzeln des Charakteristischen Polynoms Q(z) = 0 • in Cosinus- oder Sinus-Schwingungen abnehmend bei komplexen Wurzeln des Charakteristischen Polynoms Q(z) = 0 Hackl, Einführung in die Ökonometrie

16. ARMA(p,q)-Prozess Yt = a + j1Yt-1 + … + jpuYt-p + et et = ut - q1ut-1 - … - qqut-q = Q(L)ut mit ut: Weißes Rauschen; oder F(L)Yt = a + Q(L)ut MA(∞)-Darstellung: Yt = y0 + Siyiut-i; die Koeffizienten yi sind Funktionen der ji und qi AR(∞)-Darstellung analog Stationärität des ARMA(p,q)-Prozesses: wenn für alle p Wurzeln zi des Charakteristischen Polynoms F(z) = 1 - j1z - … - jpzp gilt: |zi| > 1 (Stationäritäts-Bedingung) Hackl, Einführung in die Ökonometrie

17. ARMA(p,q)-Prozess: Übersicht Hackl, Einführung in die Ökonometrie

18. Identifizieren von ARMA-Modellen Vergleich der empirischen AC- und PAC-Funktion mit den theoretischen Gegenstücken Abbruch der • PAC-Funktion: Hinweis auf Ordnung des AR-Prozesses • AC-Funktion: Hinweis auf Ordnung des MA-Prozesses Empirisches Korrelogramm: rk Standardfehler aus Var{rk} ≈ (1+2Sri2)/n für k>q, wenn ri = 0 für alle i > q Analog empirische Partielles Korrelogramm Hackl, Einführung in die Ökonometrie