Auswirkungen eines Events auf eine Zeitreihe

Methoden der Zeitreihenanalyse
Antworten
K415ER
Beiträge: 3
Registriert: Sa Mär 18, 2017 4:25 pm

Auswirkungen eines Events auf eine Zeitreihe

Beitrag von K415ER » Sa Mär 18, 2017 4:50 pm

Hallo liebe Community,

meine Masterarbeit steht bevor, für die ich mir ein paar Kleinigkeiten überlegt habe, die ich mithilfe von R untersuchen möchte.

Um etwas genauer zu werden:
Meine Arbeit beschäftigt sich mit dem Thema "Bitcoins". Die Zeitreihe von Bitcoins möchte ich dabei untersuchen, ob Sie sich ab bestimmten Zeitpunkten anders verhält. Wenn beispielsweise neue Regulierungsgesetze veröffentlicht wurden etc.

In meiner Uni-Zeit hatte ich zwar eine Vorlesung die das Thema Zeitreihenanalye behandelt hat, jedoch kann ich die dort stehenden Infos nur in Ansätzen umsetzen.

Ich habe mir folgende Schritte überlegt, die ich in "R" umsetzen werde, um die gewünschten Resultate zu erzielen:
1. Auf Stationarität testen mit einem DF test
2. ARMA Modell schätzen (falls DF test keine Stationarität ergibt, werde ich ein ARIMA Modell schätzen)
3. Ljung-Box-Pierce Test
4. Interventionsanalyse

Würdet ihr auch so vorgehen? oder habt ihr einen anderen Ansatz? Sollte man vieleicht erst ein Regressionsmodell schätzen und damit arbeiten? oder ist der ARMA/ARIMA Ansatz ausreichend?

Ich weiß momentan hat das ganze noch nicht viel mit R zutun, erstmal möchte ich nur sicher gehen, dass mein Vorgehen richtig ist, bevor ich mich an den Code heran wage :)

Wäre schön wenn ihr mich an eurem Wissen teilhaben lassen könnt

Viele Grüße und ein schönes Wochenende
Tim
Zuletzt geändert von K415ER am Di Apr 11, 2017 3:14 pm, insgesamt 1-mal geändert.

K415ER
Beiträge: 3
Registriert: Sa Mär 18, 2017 4:25 pm

Re: Auswirkungen eines Events auf eine Zeitreihe

Beitrag von K415ER » Di Apr 11, 2017 3:14 pm

Hallöchen,

ich habe mich in den letzten Wochen näher mit dem Thema beschäftigt und bin dabei an sich auch meinen Problemlösungen in R etwas näher gekommen.
Allerdings treten für mich noch ein paar ungereimtheiten auf, die ich euch an einem einfachen von mir gewählten Beispiel aufzeigen möchte.

Dafür habe ich eine Zeitreihe über den Benzinpreis genommen.(bzw. dessen Differenz, da die ZR sonst nicht stationär wäre)

Bild

wie man an dem Bild sieht, ist ein Ausreißer am ZP 36 zu erkennen, weswegen ich eigentlich erwarten würde, das meine Analyse auch auf dieses Ergebnis kommen würde

Hier ist mein gesamter R-Code

Bild

Zum Schluss hin habe ich mal den Output einmal mit und ohne Dummyvariable ausgegeben...
Zwar ist das AIC durch die Dummyvariable verbessert, worauf ich schließen würde, dass an sich die Dummyvariable zu einer Verbesserung des Modells führt
Allerdings ist die Dummyvariable ja nicht als signifikant einzustufen (verstehe ich das in diesem R-Output eigentlich richtig? wo jetzt die 4,45 steht, sollte doch im Idealfall ein Wert <0,05 stehen? Mal ganz davon abgesehen, dass ein p-value ja nicht > als 1 sein kann... meinem schlauen Buch zufolge, gibt der Wert eig den P-value aus..., ergibt irgendwie nicht wirklich sinn für mich....)

Bild
Bild

Ich habe mit mit dem Vorgehen sehr nah an dem Buch von Rainer Schlittgen "Angewandte Zeitreihenanalyse mit R" aus dem Jahr 2012 orientiert... Deswegen verstehe ich nicht, warum ich keine brauchbaren Ergebnisse erziele.

Wisst ihr vieleicht woran das liegt?

Viele Grüße

jogo
Beiträge: 221
Registriert: Fr Okt 07, 2016 8:25 am

Re: Auswirkungen eines Events auf eine Zeitreihe

Beitrag von jogo » Di Apr 11, 2017 3:34 pm

Hallo K415ER,

wer sagt denn, dass die Reihe der ersten Differenzen automatisch stationär ist?
wo jetzt die 4,45 steht, ...
da steht doch aber vorne in der Zeile s.e., das bedeutet das ist erst der Standardfehler.
So ein p-value kann schlecht größer als 1 werden. Bitte schau Dir doch die Ergebnisse an von

Code: Alles auswählen

summary(out1)
summary(out2)
Gruß, Jörg

K415ER
Beiträge: 3
Registriert: Sa Mär 18, 2017 4:25 pm

Re: Auswirkungen eines Events auf eine Zeitreihe

Beitrag von K415ER » Di Apr 11, 2017 4:46 pm

Hallo Jörg, danke für die schnelle Antwort!

jetzt wo du es sagst, hab mich die ganze zeit gefragt wofür das s.e. steht :) so ergibt es natürlich Sinn! bringt mich dadurch aber auch leider noch etwas weiter weg vom verständnis

Um dir kurz zu erläutern, warum ich darauf gekommen bin, habe dir mal die passenden Ausschnitte des Beispieles aus dem Lehrbuch zum Thema Interventionsanalyse kopiert.
1. Beispiel:
Bild
2. Beispiel:
Bild

Dieser Satz hat mich zu diesen Annahmen geführt bei Beispiel 1: Die Koeffizienten des ARMA-Modells sind signifikant, der des Regressors jedoch nicht -> da dort der s.e. ja über 0,05 liegt
Woran kann man denn dann bei den Beispielen erkennen, dass einmal die Dummyvariable signifikant ist und einmal nicht?

Bei dem Beispiel ist die Differenz stationär, den dickeyfuller test hatte ich vorher schon gemacht
Bild

Hier die beiden Summary's
Bild

Da muss ich dir jetzt aber gestehen, dass ich garkeine Ahnung habe, was die Summarys mir sagen.

Wie kann ich also insgesamt jetzt an den outputs sehen, ob ein Ausreißer vorliegt, oder nicht?

Viele Grüße
Tim

Antworten

Wer ist online?

Mitglieder in diesem Forum: 0 Mitglieder und 1 Gast