Umfassender Überblick über die wichtigsten und aktuellen Methoden der Zeitreihenanalyse Für das Selbststudium geeignet Erstes deutschsprachiges Lehrbuch über einen so breiten Includes supplementary material: sn.pub/extras

Inhalt
I. Elementare Zeitreihenanalyse.- I.1. Definitionen, Grundkonzepte, Beispiele.- I.2. Das traditionelle Zeitreihen-Komponentenmodell.- II. Einfache Saisonbereinigungsverfahren.- II.1. Saisonbereinigung im additiven Komponentenmodell bei konstanter Saisonfigur.- II.2. Saisonbereinigung im additiven Komponentenmodell bei variabler Saisonfigur.- II.3. Einige praktische Probleme der Saisonbereinigung.- III. Elementare Filter-Operationen.- IV. Prognosen auf der Basis von Exponential-Smoothing-Ansätzen.- IV.1. Vorbemerkungen.- IV.2. Einfaches Exponential-Smoothing.- IV.3. Exponential-Smoothing nach Holt.- IV.4. Exponential-Smoothing nach Winters.- IV.5. Ergänzende Bemerkungen zum Exponential-Smoothing.- V. Grundzüge der Theorie der stochastischen Prozesse.- V.1. Zufallsvariable und Zufallsvektoren.- V.2. Stochastische Prozesse.- V.3. Stationäre Stochastische Prozesse.- V.4. Spezielle stationäre Prozesse.- VI. Vektorielle stochastische Prozesse.- VI.1. Grundlagen.- VI.2. VAR-Prozesse.- VII. Schätzprobleme bei stochastischen Prozessen.- VII.1 Schätzen von Parametern und Momentfunktionen univariater Prozesse.- VII.2 Parameterschätzung vektorieller Prozesse.- VII. Identifikation stochastischer Prozesse.- VIII.1. Identifikation univariater ARMA- und ARIMA-Prozesse.- VIII.2. Identifikation vektorieller ARMA- und ARIMA-Prozesse.- IX. Modelldiagnose.- IX.1 Modelldiagnose bei univariaten ARMA- und ARIMA-Modellen.- IX.2 Modelldiagnose bei vektoriellen ARMA- und ARIMA-Prozessen.- X. Ausrei?er-Analyse.- X.1. Grundlagen und Beispiele.- X.2. Additive und innovative Ausrei?er und ihre Bestimmung.- XI. Prognosen mit ARMA- und ARIMA-Modellen.- XI.1. Prognosen mit univariaten ARMA- und ARIMA-Modellen.- XI.2. Prognosen mit vektoriellen ARMA- und ARIMA-Prozessen.- XII.Transferfunktionen (ARMAX)-Modelle.- XII.1 Transferfunktionen-Modelle mit einer Input-Variablen.- XII.2. Transferfunktionen mit mehreren Inputs.- XIII. Strukturelle Komponentenmodelle.- XIII.1 Einleitung.- XIII.2 Modellierung der Komponenten.- XIII.3. Das ?Basic Structural Model? nach Harvey.- XIII.4. Strukturelle Komponentenmodelle und ARIMA-Modelle.- XIII.5. Parameterschätzung bei strukturellen Komponentenmodellen.- XIII.6. Beispiel.- XIII.7. Abschlie?ende Bemerkungen.- XIV. Grundzüge der Spektralanalyse.- XIV.1. Vorbemerkungen.- XIV.2. Spektren stationärer Prozesse.- XIV.3 Schätzung eines Spektrums.- XIV.4 Spektralanalyse und Saisonalität.- XV. Saisonbereinigungsverfahren und Probleme der Saisonbereinigung.- XV.1. Einleitung.- XV.2. Bemerkungen zu einfachen Saisonbereinigungsverfahren und einigen Grundproblemen der Saisonbereinigung.- XV.3. Spezielle Saisonbereinigungsverfahren.- XV.4. Ein Verfahren auf der Basis von ARIMA-Modellen: SEATS.- XV.5. Weitere Verfahren.- XV.6. Saisonbereinigung als Filter-Design-Problem.- XV.7. Zum Vergleich von Saisonbereinigungsverfahren.- XVI. Grundzüge der Theorie digitaler Filter.- XVI.1. Grundlagen.- XVI.2. Elemente der z-Transformation.- XVI.3. Grundbegriffe der Filtertheorie.- XVII. Konstruktionsmethoden für digitale Filter.- XVII.1 Konstruktionsmethoden für FIR-Filter.- XVII.2. FIR-Fenster-Filter.- XVII.3. Modifizierte FIR-Fenster-Filter.- XVII.4. Optimale FIR-Filter.- XVII.5. Konstruktion von IIR-Filtern.- XVII.6. Filtern im Frequenzbereich.- XVIII. Unit-roots und Unit-root-Tests.- XVIII.1. Vorbemerkungen.- XVIII.2. Differenzen-Stationäre versus Trend-Stationäre Prozesse.- XVIII.3. Trendbereinigung bei DS- und TS-Prozessen.- XVIII.4. Unit-root-Test.- XIX. Kointegration.- XIX.1. Grundlagen.- XIX.2.Full-Information Maximum-Likelihood-Analyse kointegrierter Systeme.- XX. Nicht-lineare Zeitreihenmodelle.- XX.1. Modellierung von Heteroskedastizität (ARCH-GARCH-Modelle.- XX.2. Bilineare Prozesse.- XX.3. Random Coefficient Autoregressive Modelle.- XX.4. TARMA-Modelle.- XX.5. CTARMA-Modelle.- Literatur.- Index:.