© 2000 John Petroff; 2007 Übersetzung Hans H. Knauf; 2007 edited by Tanja Detwiler
|
|
© 2000 John Petroff; 2007 Übersetzung Hans H. Knauf; 2007 edited by Tanja Detwiler |
Die Zeitserienanalyse ist eine besondere, aber wichtige Art der nicht-linearen Regressionsanalyse. Das Besondere daran ist, dass die exogene Variable die endogene Variable selbst ist. Mit anderen Worten, was wir vorher als Autokorrelation bezeichneten und als eine Störung ansahen, die entfernt werden musste, wird hier als die Quelle eines Informationssignals analysiert.
Diese Methode ist von der Qualitätskontrolle abgeleitet. Solange die Abweichungen eines Leistungsergebnisses willkürlich sind und sich innerhalb von akzeptablen Grenzen befinden, arbeitet eine Maschine angemessen gut. Zeitmuster, die vollständig willkürlich sind, werden „Rauschstörung“ (white noise) genannt. Solche Rauschstörungen können weder erklärt noch kontrolliert werden. In dem Augenblick, in dem ein erkennbares Muster auftaucht, besteht die Zeitserie nicht mehr aus Rauschstörungen. Bei einer Maschine zeigt dies an, dass der zukünftige Ausstoß sich wahrscheinlich weiterhin bis auf einen untragbaren Zustand verschlechtern wird, und dass eine Korrektur vorgenommen werden sollte. Die Erweiterung der Zeitserienanalyse von der Physik zu den Sozialwissenschaften ist hauptsächlich G.E.P. Box und G.M. Jenkins zu verdanken.
Diese Technik ist besonders für das Finanzwesen geeignet, weil viele – wenn nicht sogar alle – finanziellen Entscheidungen von der Vorhersage über die nächste Rechnungsperiode, d. h. von der kurzfristigen Vorhersage, abhängig sind. Denken Sie an den Wareneinkauf, um die Verkäufe des kommenden Monats zu decken, oder an die Werbung um die Verkäufe des nächsten Jahres zu erhöhen. Aktienpreise für den nächsten Tag vorherzusagen gehört ebenfalls zu dieser Anwendung, aber das wird separat in dem letzten Abschnitt dieses Kapitels noch untersucht. Kommerzielle und soziale Verhaltensweisen ändern sich nicht sehr über eine kurze Zeit hinweg. Eine Verhaltensweise in einer Zeitreihe zu finden, ist deshalb für die meisten Firmendaten ausreichend, um gute, kurzfristige Vorhersagen zu treffen.Das trifft auch auf eine große Anzahl von Gesamtdaten zu, die vom US-amerikanischen Ministerium für Arbeit und dem US-amerikanischen Handelsministerium sowie auch von vielen nationalen und internationalen Vereinigungen, die Wirtschaftsstatistiken sammeln, unterhalten werden. Zum Beispiel die Arbeitslosenstatistiken, die saisonmäßig angepasst werden: Die angegebene Arbeitslosenzahl stellt nicht die korrekte Proportion der arbeitslosen Personen in einem bestimmten Monat dar, sondern einen Jahresprozentsatz, der die bestehenden Umstände berücksichtigt, und den man berechnet, in dem die tatsächliche Arbeitslosenrate mit einer saisonalen Indexvariation für den betreffenden Monat multipliziert wird. Es ist beispielsweise bekannt, dass es im Dezember wesentlich mehr Beschäftigte gibt als im Januar. Deshalb ist der saisonale Index für Dezember höher als der für Januar. Wenn in irgendeinem Jahr der aktuelle Beschäftigungsgrad für Januar weniger fällt als der Index, dann wird berichtet, dass für dieses Jahr die jährliche Arbeitslosenrate für Januar gestiegen ist. Eine Reihe von anderen Daten werden auch saisonal angepasst, wie zum Beispiel die Daten über Wohnungsneubauten.
| Vorheriger Abschnitt: Regression |
|
Nächster Abschnitt: Box-Jenkins |