slide1 n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
 + 1 PowerPoint Presentation
Download Presentation
 + 1

Loading in 2 Seconds...

play fullscreen
1 / 8

 + 1 - PowerPoint PPT Presentation


  • 111 Views
  • Uploaded on

t. -. t. t. -. t. +. 1. t. ­. ­. ­. ­. ­. L. X. X. X. X. X. t. -.  + 1. t. -. t. t. -. 2. t. -. 1. t. direkter Einfluss.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' + 1' - sema


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1

t

-

t

t

-

t

+

1

t

­

­

­

­

­

L

X

X

X

X

X

t

-

 + 1

t

-

t

t

-

2

t

-

1

t

direkter Einfluss

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 partiellenAutokorrelationsfunktion(PACF) erfolgen.

Bei der partiellen Autokorrelationsfunktion zum Lag τ werden die Einflüsse der Variablen

Xt-1, Xt-2, ..., Xt-τ+1 auf die Variable Xt „herauspartialisiert“. Es wird allein der direkte Ein-fluss von Xt-τ auf Xt gemessen:

slide2

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 zweiteIndex die Prozessordnung. Der Regressionskoeffizient ppist der partielle Auto-korrelationskoeffizient p-ter Ordnung, da er den zusätzlichen (partiellen) Einfluss misst, der von Xt-p auf Xt ausgeübt wird, wenn die zeitlich dazwischen liegenden Variablen Xt-1, Xt-2, ..., Xt-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:

slide3

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.

slide4

• AR(1)-Prozess:

Lag

Prozessordnung

In der Gleichung muss sein.

Setzt man an, so muss außerdem gelten, da bei einem

AR(1)-Prozess die verzögerten Variablen Xt-2 (ebenso wie die verzögerten Variablen Xt-3,

Xt-4, ...) nicht in der Prozessgleichung enthalten sind. Das bedeutet, dass die partiellen Autokorrelationen für Lags, die größer als 1 sind, verschwinden. Die partielle Autokorrelationsfunktioneines AR(1)-Prozesses, , hat daher die Form

Da zwischen Xt-1 und Xt 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

slide5

(a)

(b)

slide6

• 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

slide7

Für τ > 2 verschwinden die partiellen Autokorrelationskoeffizienten 2, was analog wie bei dem AR(1)-Prozess begründet werden kann.

Damit hat die partielle Autokorrelationsfunktioneines AR(2)-Prozesses,2,die Form