Zeitreihen & Progrnosen
  • Alle Rechte Vorbehalten
  • Zeitreihen und Prognosen 1:
  • 1.a Einführung und Grundlagen
  • 1.b Einführung und Grundlagen
  • 2. Klassische Zeitreihenanalyse
  • 2.a Trendbestimmung
  • 2.b Zeitreihen durch Filter (lokale Trendbestimmung)
  • 2.c Saisonbereinigung
  • 2.d Prognosen, exponentielles Glätten
  • 3.a Autoregressive (AR) Modelle
  • Folien-full
  • Zusammenfassung notizen
  • Übung+lösung
  • R-skript übung
    • blatt1_aufgabe5
    • blatt1_aufgabe6
    • blatt2_aufgabe4
    • blatt3_aufgabe4
    • blatt3_aufgabe5
    • blatt3_aufgabe6
    • blatt4_aufgabe5
    • blatt5_aufgabe4
    • blatt5_aufgabe5
    • blatt5_aufgabe6
  • Zeitreihen und Prognosen 2:
  • Untitled
Powered by GitBook
On this page
  • Wichtige Kennzahlen empirisch
  • Wichtige Kennzahlen empirisch beispiel: Die hypothetische Reihe
  • Korrelogramm ACF
  • Identifikation von White Noise
  • Schätzung von Parametern
  • Ziel

1.b Einführung und Grundlagen

Previous1.a Einführung und GrundlagenNext2. Klassische Zeitreihenanalyse

Last updated 7 years ago

Wichtige Kennzahlen empirisch

Skript Seite 2-24 bis Seite 2-26, R-skript Seite 2-28 / Skript-bsp.R #Die hypothetische Reihe

#1-Wichtige Kennzahlen empirisch 1

#2-Wichtige Kennzahlen empirisch 2

Wichtige Kennzahlen empirisch beispiel: Die hypothetische Reihe

#1-hypothetische Zeitreihe 1

#2-hypothetische Zeitreihe 2

Korrelogramm ACF

Skript Seite 2-30 bis Seite 2-36, R-skript Seite 2-31 / Skript-bsp.R #Korrelogramm: Beispiele

Der Graph der empirischen Autokorrelationsfunktion einer Zeitreihe wird als Korrelogramm bezeichnet.

Identifikation von White Noise

Skript seite 2-38 bis seite 2-41

#1-Identifikation von White Noise

#2-Identifikation von White Noise

VORSICHT!!!!

Schätzung von Parametern

Skript seite 2-42 bis seite 2-44

Ziel