Du untersuchst die Eigenschaften von Zeitreihendaten und lernst die Grundlagen von ARMA-Modellen kennen, die das Verhalten solcher Daten erklären. Außerdem lernst du die grundlegenden R-Befehle, um rohe Zeitreihendaten so aufzubereiten, dass sie mit ARMA-Modellen analysiert werden können.

Erstmal das Wichtigste

Daten erkunden

Bestandteile von Zeitreihen

Stationarität und Nichtstationarität

Differenzbildung

Daten detrenden

Umgang mit Trend und Heteroskedastizität

Stationäre Zeitreihen: ARMA

ARMA-Modelle simulieren

Zeitreihendaten und -modelle

Du entdeckst die Welt der ARMA-Modelle und wie du diese auf Zeitreihen anpasst. Du lernst, wie du ein Modell identifizierst, das richtige Modell auswählst und es nach der Anpassung prüfst. Außerdem verwendest du R-Befehle für Zeitreihen aus den Paketen stats und astsa.

AR- und MA-Modelle

Ein AR(1)-Modell anpassen

Ein AR(2)-Modell anpassen

Ein MA(1)-Modell anpassen

AR und MA zusammen

Ein ARMA-Modell anpassen

Ein ARMA-Modell identifizieren

Modellwahl und Residuenanalyse

Modellwahl – I

Modellauswahl – II

Residuenanalyse – I

Residualanalyse – II

ARMA rein da

ARMA-Modelle anpassen

Nachdem du weißt, wie man ARMA-Modelle auf stationäre Zeitreihen anpasst, lernst du integrierte ARMA- (ARIMA-) Modelle für nichtstationäre Zeitreihen kennen. Du passt die Modelle auf reale Daten an – mit R-Zeitreihenbefehlen aus den Paketen stats und astsa.

ARIMA – integriertes ARMA

ARIMA – Plug-and-Play

Simuliertes ARIMA

Globale Erwärmung

ARIMA-Diagnostik

Diagnostik – simuliertes Overfitting

Diagnostik – globale Temperaturen

ARIMA-Vorhersage

Prognosen mit simuliertem ARIMA

Prognose globaler Temperaturen

ARIMA-Modelle

Du lernst, saisonale Zeitreihen mit saisonalen ARIMA-Modellen zu modellieren und zu prognostizieren. Das gelingt mit dem Wissen aus den vorherigen Kapiteln und durch die Erweiterung der R-Zeitreihenbefehle aus den Paketen stats und astsa.

Reine saisonale Modelle

P/ACF reiner saisonaler Modelle

Ein reines saisonales Modell anpassen

Gemischte saisonale Modelle

Gemischtes saisonales Modell anpassen

Datenanalyse – Arbeitslosigkeit I

Datenanalyse – Arbeitslosigkeit II

Datenanalyse – Rohstoffpreise

Datenanalyse – Geburtenrate

Saisonale ARIMA vorhersagen

Monatliche Arbeitslosigkeit vorhersagen

Wie schwer ist es, Rohstoffpreise zu prognostizieren?

Glückwunsch!

Saisonale ARIMA-Modelle

In diesem Kurs wirst du lernen, ARIMA-Modelle für Zeitreihen mit R sicher zu erstellen. Zunächst erkundest du die Eigenschaften von Zeitreihendaten mit den Werkzeugen aus dem R-Paket stats. Danach lernst du, wie du verschiedene ARMA-Modelle auf simulierte Daten anpasst (bei denen du das korrekte Modell kennst) – mit dem R-Paket astsa. Sobald die Grundlagen sitzen, erfährst du, wie du integrierte ARMA-Modelle, also ARIMA-Modelle, auf verschiedene reale Datensätze anwendest. Du lernst, wie du die Gültigkeit eines ARIMA-Modells überprüfst und wie du Zeitreihen vorhersagst. Abschließend siehst du, wie du ARIMA-Modelle auf saisonale Daten anpasst, inklusive Forecasting mit dem Paket astsa.

Time Series Analysis in R

In diesem Kurs lernen Sie, ARIMA-Modelle mit R auf Zeitreihendaten anzuwenden.

ARIMA-Modelle in R

Werde zum Profi im Anpassen von ARIMA-Modellen (autoregressive integrierte gleitende Durchschnitte) an Zeitreihendaten mit R.

Quantitativer Analyst  in R

Zeitreihen  mit R

Modellauswahl – II

ARIMA-Modelle in R

Interaktive Übung