权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Approximation und Aggregation bei der Modellierung und Vorhersage persistenter Zeitreihen

持续时间序列建模和预测中的近似和聚合

基本信息

批准号：
195036661
负责人：
Professor Dr. Matei Demetrescu
金额：
--
依托单位：
Lehrstuhl Statistik und Ökonometrie
依托单位国家：
德国
项目类别：
Research Grants
财政年份：
2011
资助国家：
德国
起止时间：
2010-12-31 至 2014-12-31
项目状态：
已结题

来源：
https://gepris.dfg.de/gepris/projekt/195036661?language=en
关键词：
Approximation und Aggregation bei der

项目摘要

Bei der Modellierung und Vorhersage von Zeitreihen spielt die serielle Abhängigkeit eine Schlüsselrolle. Wenn der Einfluss von Schocks aus der Vergangenheit nur vergleichsweise langsam verschwindet, so spricht man auch von „langem Gedächtnis“. Einerseits kann diese Persistenzeigenschaft benutzt werden, um Prognosen zu erstellen, andererseits erschwert gerade langes Gedächtnis die vorgelagerte Schätzung passender Modelle. Typischerweise werden in der Praxis die kurzfristige Komponente und die langfristige Gedächtniskomponente getrennt behandelt und erst für die Prognose zusammengeführt. Im Rahmen des ersten Schwerpunkts dieses Projekts wird eine alternative einstufige Vorgehensweise untersucht. Dazu muss die Gültigkeit und Genauigkeit einer autoregressiven Approximation wachsender Ordnung bei Anwesenheit von langem Gedächtnis etabliert werden. Viele ökonomische Zeitreihen fallen heutzutage mit sehr hoher Frequenz an. Mitunter wird in der Praxis argumentiert, man solle nicht mit den Ausgangsdaten, sondern mit zeitlichen Aggregaten arbeiten, um den Effekt von Rauschen zu reduzieren. Die Auswirkungen von temporaler Aggregation oder von der Frequenz der Datenerhebung auf die Schätzung von langem Gedächtnis wurden bislang noch nicht systematisch untersucht, es liegen nur vereinzelte Ergebnisse vor, die zu einer umfassenden Theorie im zweiten Schwerpunkt des Projekts ausgebaut werden sollen.

Bei der Modellierung und Vorhersage von Zeitreihen spielt die serielle Abhängigkeit eine Schlüssellle.如果施托克斯的影响来自于一般的语言，那么他也会被“语言的上帝”所吸引。Einerseits kann diese 持久的社会关系是韦尔登，它的前景是确定的，并且它的发展将持续很长一段时间。Typischerweise韦尔登在实践中，kurzfristige Komponente和langfristige Gedächtniskomponente得到了处理，并首先用于预测。在第一个Schwerpunkts项目中，将有一个替代性的先进设备。本文提出了一种自回归逼近方法，该方法通过对已知韦尔登进行排序来确定Gültigkeit和Genauigkeit。许多经济时代都以更高的频率下降。在实践中，我们会争论，人们不仅仅是通过收集数据，而是通过聚集劳动力，减少劳动力的影响。时间聚集或频率聚集在语言数据集上的应用还没有系统化，因为只有一个统一的理论可以解决韦尔登的两个关键问题。