Zusammenfassung
In der modernen Zeitreihenanalyse werden Zeitreihen als Realisationen stochastischer Prozesse aufgefasst. Ziel der Analyse von Zeitreihen ist es deshalb, Modelle zu identifizieren und zu schätzen, die die stochastischen Eigenschaften der Zeitreihen möglichst gut wiedergeben. Diese Modelle, die zunächst ohne Bezug auf eine bestimmte substanzwissenschaftliche Theorie bestimmt werden, sind Grundlage für die Beschreibung der kurz-und langfristigen Dynamik und für die Zerlegung von Zeitreihen in spezifische Komponenten, wie Trend, Zyklus und Saison. Sie sind überdies Grundlage für die Analyse spezifischer Einflussgrößen, für Zusammenhangs-bzw. Kausalanalysen, und nicht zuletzt für Prognosen. Der Identifikation eines für die jeweilige Zeitreihe adäquaten Modells kommt deshalb in der Zeitreihenanalyse eine zentrale Bedeutung zu. Die Modellbildung wird allerdings erschwert, wenn die Zeitreihe langfristige Veränderungen in ihrem Niveau aufweist, also einem Trend folgt, und damit nichtstationär ist. Mit Hilfe der sogenannten „Unit Root“-Tests versucht man deshalb, die Art der Nichtstationarität zu identifizieren. Speziell in der Ökonometrie sind in den letzten Jahren Verfahren entwickelt worden, mit denen man den kurz-und langfristigen Zusammenhang zwischen Zeitreihen auch dann schätzen kann, wenn sie trendbehaftet sind und die das Problem der Scheinkorrelation („spurious regression“) vermeiden. Neben Modellen spielen auch Filter eine wichtige Rolle in der Zeitreihenanalyse. Das Ziel besteht hier darin, Filter zu konstruieren, mit denen man vorgegebene Schwingungskomponenten, die dann eigens interpretiert werden, aus Zeitreihen exakt herausfiltern kann.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literaturverzeichnis
Baxter, M. & King, R. G. (1999). Measuring Business Cycles: Approximate Band-Pass Filters for Economic Time Series. The Review of Economics and Statistics, 81, 575–593.
Beveridge, S. & Nelson, C. (1981). A New Approach to the Decomposition of Economic Time Series into Permanent and Transitory Components with Particular Attention to Measurement of the Business Cycle. Journal of Monetary Economics, 7, 151–174.
Box, G. E. P. & Jenkins, G. M. (1975). Intervention Analysis with Applications to Economic and Environmental Problems. Journal of the American Statistical Association, 70, 70–79.
Box, G. E. P. & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control. San Francisco: Holden Day, 2. Auflage.
Chang, I. & Tiao, G. C. (1983). Estimation of Time Series Parameters in the Presence of Outliers, Band 8 von Technical Report Series. Graduate School of Business, University of Chicago.
Chang, I., Tiao, G. C., & Chen, G. (1988). Estimation of Time Series Parameters in the Presence of Outliers. Technometrics, 30, 193–204.
Chen, C. & Liu, L.-M. (1990). Joint Estimation of Model Parameters and Outlier Effects in Time Series. Working Paper Series. Illinois: Scientific Computing Associates.
Chen, C. & Liu, L.-M. (1993). Joint Estimation of Model Parameters and Outlier Effects in Time Series. Journal of the American Statistical Association, 88, 284–297.
Christiano, L. & Fitzgerald, T. (2003). The Band Pass Filter. International Economic Review, 44, 435–465.
Dickey, D. & Fuller, W. (1979). Distribution of the Estimators for Autoregressive Time Series with a Unit Root. Journal of the American Statistical Association, 74, 427–443.
Dickey, D. & Fuller, W. (1981). Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root. Econometrica, 49, 1057–1072.
Engle, R. & Granger, C. W. J. (1987). Co-Integration and Error Correction: Representation, Estimation, and Testing. Econometrica, 55, 251–276.
Gómez, V. & Maravall, A. (1997). Programs TRAMO and SEATS: Instructions for the User.Working Paper No. 97001. Ministerio de Economica y Hacienda, Madrid: Dirección General de Análisis y Programación Presupuestaria.
Granger, C. W. J. (1981). Some Properties of Time Series Data and their Use in Econometric Model Specification. Journal of Econometrics, 16, 121–130.
Granger, C. W. J. (1986). Developments in the Study of Co-integrated Economic Variables. Oxford Bulletin of Economics and Statistics, 48, 213–228.
Harvey, A. C. (1989). Forecasting, Structural Time Series Models, and the Kalman Filter. Cambridge: Cambridge University Press.
Harvey, A. C. (1993). Time Series Models. London: The MIT Press, 2. Auflage.
Hassler, U. (2000). Regression trendbehafteter Zeitreihen in der Ökonometrie. Berlin: Verlag für Wissenschaft und Forschung.
Hodrick, R. & Prescott, E. (1997). Post-War U. S. Business Cycles: A Descriptive Empirical Investigation. Journal of Money, Credit, and Banking, 29, 1–16.
Johansen, S. (1988). Statistical Analysis of Cointegration Vectors. Journal of Economic Dynamics and Control, 12, 231–254.
Kirchgässner, G. &Wolters, J. (2006). Einführung in die moderne Zeitreihenanalyse. München: Vahlen.
Koopman, S. J., Harvey, A. C., Doornik, J. A., & Shepard, N. (2007). Structural Time Series Analyser and Modeller and Predictor. STAMP 8. London: Timberlake.
Kwiatkowski, D., Phillips, P., Schmidt, P., & Shin, Y. (1992). Testing the Null Hypothesis of Stationarity Against the Alternative of a Unit Root. Journal of Econometrics, 54, 159–178.
Metz, R. (2002). Trend, Zyklus und Zufall. Bestimmungsgründe und Verlaufsformen langfristiger Wachstumsschwankungen. Stuttgart: Franz Steiner.
Metz, R. (2010). Filter-Design and Model-Based Analysis of Trends and Cycles in the Presence of Outliers and Structural Breaks. Cliometrica, 4, 51–73.
Mills, T. C. (2003). Modelling Trends and Cycles in Economic Time Series. Houndmills: MacMillan.
Perron, P. (1988). Trends and Random Walks in Macroeconomic Time Series: Further Evidence from a New Approach. Journal of Economic Dynamics and Control, 12, 297–332.
Perron, P. (1989). The Great Crash, the Oil Price Shock, and the Unit Root Hypothesis. Econometrica, 57, 1361–1401.
Phillips, P. C. B. & Perron, P. (1988). Testing for a Unit Root in Time Series Regression. Biometrika, 75, 335–346.
Ravn, M. O. & Uhlig, H. (2002). Notes on Adjusting the Hodrick-Prescott Filter for the Frequency of Observations. The Review of Economics and Statistics, 84, 371–380.
Rinne, H. & Specht, K. (2002). Zeitreihen -Statistische Modellierung, Schätzung und Prognose. München: Vahlen.
Schlittgen, R. & Streitberg, B. (2001). Zeitreihenanalyse. München: Oldenbourg, 9. Auflage.
Stier, W. (2001). Methoden der Zeitreihenanalyse. Berlin: Springer.
Thome, H. (1995). A Box-Jenkins Approach to Modeling Outliers in Time Series Analysis. Sociological Methods and Research, 23, 442–478.
Thome, H. (1997). Scheinregressionen, Kointegrierte Prozesse und Fehlerkorrekturmodelle: Eine Strategie zur Modellierung langfristiger Gleichgewichtsbeziehungen und kurzfristiger Effekte. Zeitschrift für Soziologie, 26, 202–221.
Thome, H. (2005). Zeitreihenanalyse. Eine Einführung für Sozialwissenschaftler und Historiker. München: Oldenbourg.
Editor information
Rights and permissions
Copyright information
© 2010 VS Verlag fur Sozialwissenschaften | Springer Fachmedien Wiesbaden GmbH
About this chapter
Cite this chapter
Metz, R. (2010). Zeitreihenanalyse. In: Wolf, C., Best, H. (eds) Handbuch der sozialwissenschaftlichen Datenanalyse. VS Verlag für Sozialwissenschaften. https://doi.org/10.1007/978-3-531-92038-2_40
Download citation
DOI: https://doi.org/10.1007/978-3-531-92038-2_40
Publisher Name: VS Verlag für Sozialwissenschaften
Print ISBN: 978-3-531-16339-0
Online ISBN: 978-3-531-92038-2
eBook Packages: Humanities, Social Science (German Language)