Schlittgen: Angewandte Zeitreihenanalyse mit R 3.A. (978-3-11-041398-4)

This textbook presents the most important models and procedures in time series analysis. It focuses on the time domain, with special consideration of explorative methods, ARMA models and their extensions, predictive methods, and time series regressions. The new edition has been updated and expanded, and includes, among other things, a chapter on long memory processes. * Illustrated with numerous real examples * Examples include the relevant R-Code and commentary * Extensive supplemental materials Vorworte Inhaltsverzeichnis 1 Fragestellungen und Datensituation 2 Grundlagen und einfacheMethoden 2.1 Stationäre Zeitreihen Darstellung von Zeitreihen Autokovarianz- und Autokorrelationsfunktion Stationarität Schätzen der Kennfunktionen Bootstrap 2.2 Das Komponentenmodell 2.3 Deterministische Trends Trendbestimmung mittels linearer Regression Trendbestimmung mittels nichtlinearer Regression Bestimmung der glatten Komponente 2.4 Saisonbereinigung Einfache Ansätze Etablierte Saisonbereinigungsverfahren 2.5 Transformationen Instantane Transformationen Lineare Filterung von Zeitreihen 2.6 Einfache Extrapolationsverfahren 2.7 R-Funktionen 3 Lineare Zeitreihenmodelle 3.1 AutoregressiveModelle Definition und grundlegende Eigenschaften Schätzen von AR-Parametern Levinson-Durbin-Rekursion und partielle Autokorrelation Spezifikation von AR-Modellen 3.2 MA-Modelle Definition und grundlegende Eigenschaften Schätzen und Anpassen vonMA-Modellen 3.3 ARMA-Modelle Definition und grundlegende Eigenschaften Schätzen der Parameter Spezifikation von ARMA-Modellen 3.4 ARIMA-Modelle Definition und Spezifikation von ARIMA-Modellen Saisonale ARIMA-Modelle Konstante Terme in ARIMA-Modellen 3.5 R-Funktionen 4 Differenzen- und Trendinstationarität 4.1 Instationaritätstypen und ihre Implikationen 4.2 Einheitswurzeltests 4.3 R-Funktionen 5 Prognosenmit univariaten Zeitreihenmodellen 5.1 Verfahren der exponentiellen Glättung 5.2 Prognosenmit ARIMA-Modellen 5.3 Trendextrapolationmit ARMA-Störungen 5.4 Zur Auswahl eines Prognosemodells 5.5 R-Funktionen 6 Periodizitäten in Zeitreihen 6.1 Periodizitäten 6.2 Periodische Trends 6.3 Das Periodogramm Definition des Periodogramms Probleme bei der Interpretation des Periodogramms Test auf eine Periodizität Test aufWhite-Noise 6.4 Spektren Definition und Eigenschaften Lineare Filter imFrequenzbereich 6.5 Spektralschätzung Direkte Spektralschätzung Weitere Ansätze zur Spektralschätzung 6.6 R-Funktionen 7 Prozessemit langem Gedächtnis 7.1 Einführung der Prozesse 7.2 Bestimmung des fraktionellen Exponenten 7.3 Prognosenmit ARFIMA-Modellen 7.4 R-Funktionen 8 Mehrdimensionale Zeitreihen 8.1 Kenngrößenmehrdimensionaler Zeitreihen Kenngrößen imZeitbereich Kreuzspektren 8.2 Mehrdimensionale lineare Zeitreihenmodelle VARMA-Prozesse Spezifikation und Schätzung von VARMA-Modellen Granger-Kausalität Kointegration 8.3 R-Funktionen 9 Regressionsmodelle für Zeitreihen 9.1 Regressionmit autokorrelierten Störungen 9.2 Interventionsanalysen 9.3 Transferfunktionsmodelle 9.4 R-Funktionen 10 Zustandsraummodelle und Kalman-Filter 10.1 Zustandsraummodelle 10.2 Kalman-Filter 10.3 R-Funktionen 11 NichtlineareModelle 11.1 Nichtlinearität in Zeitreihen Nichtlineares bedingtes Niveau Nichtlineare bedingte Streuung Spezifikation nichtlinearer Zeitreihenmodelle 11.2 Markov-switchingModelle Markov-Ketten Markov-switching autoregressive Prozesse Inferenz 11.3 Threshold-Modelle 11.4 Bedingt heteroskedastischeModelle Das ARCH-Modell Modellanpassung und Parameterschätzung Modellerweiterungen 11.5 R-Funktionen 12 Spezielle Probleme 12.1 FehlendeWerte 12.2 Nicht gleichabständige Beobachtungen 12.3 Ausreißer und robuste Verfahren Ausreißer Robuste Verfahren 12.4 R-Funktionen 13 Einführung in R 13.1 Erste Schritte Starten und Beenden Die R-Konsole und Skripte Hilfen 13.2 Datentypen und Objekte Datentypen R-Vektoren Weitere Objekte Indizierung 13.3 Operatoren und Funktionen Mathematische Operatoren Vergleichsoperatoren Boolesche Operatoren Matrix-Operationen Funktionen 13.4 Bibliotheken und Programmierung Bibliotheken Kontroll-Strukturen Eigene Funktionen 13.5 Einlesen und Exportieren von Daten 13.6 Grafik Die aufgerufenenR-Funktionen Die Zeitreihen Literatur Abkürzungen und Symbole Sachindex

Dieses Buch präsentiert die wichtigsten Modelle und Verfahren der Zeitreihenanalyse in einer für Studierende und Anwender leicht zugänglichen Form. Der Schwerpunkt liegt auf dem Zeitbereich; speziell werden explorative Methoden, ARMA-Modelle mit ihren Erweiterungen, Prognosemethoden und Zeitreihenregressionen behandelt. Auch der Frequenzbereich wird vorgestellt. Weiter werden multivariate Zeitreihen, Zustandsraummodelle und Modelle für Heteroskedastizität behandelt.
Die Methoden werden überwiegend anhand einfacher Situationen verdeutlicht und mittels zahlreicher realer Beispiele illustriert. Die Beispiele stammen aus den Bereichen Wirtschaftswissenschaften, Biologie, Geologie, Medizin und Meteorologie. Die umfassende Erfahrung des Autors auf dem Gebiet der Zeitreihenanalyse fließt an vielen Stellen in Form von Anwendungstipps ein.
Dieser Text zur Zeitreihenanalyse ist der erste im deutschsprachigen Bereich, der auf der freien statistischen Programmierumgebung R basiert. In einem eigenen Kapitel wird eine kurze Einführung gegeben. Bei den Beispielen wird der zugehörige Code jeweils angegeben und kommentiert. Zudem enthält jedes Kapitel eine Übersicht über die entsprechenden R-Funktionen der verschiedenen R-Pakete.
Die Neuauflage wurde akualisiert und unter anderem um ein Kapitel zu der Long-Memory-Prozessen erweitert.

Dieses Buch präsentiert die wichtigsten Modelle und Verfahren der Zeitreihenanalyse. Der Schwerpunkt liegt auf dem Zeitbereich; speziell werden explorative Methoden, ARMA-Modelle mit ihren Erweiterungen, Prognosemethoden und Zeitreihenregressionen behandelt. Die Neuauflage wurde akualisiert und um die Thematik der long memory-Prozesse erweitert