Upload
pravat
View
31
Download
0
Embed Size (px)
DESCRIPTION
Zeitreihenanalyse WS 2004/2005. Michael Hauhs / Gunnar Lischeid. Definition einer Zeitreihe, Eigenschaften Tests und Trenderkennung bei Zeitreihen Beispiele (ACF, Tests), Fouriertransformationen, Powerspektrum Zeitreihenmodellierung der ARMA-Klasse - PowerPoint PPT Presentation
Citation preview
ZeitreihenanalyseWS 2004/2005
• Definition einer Zeitreihe, Eigenschaften
• Tests und Trenderkennung bei Zeitreihen
• Beispiele (ACF, Tests), Fouriertransformationen, Powerspektrum
• Zeitreihenmodellierung der ARMA-Klasse
• Modellierung von Zeitreihen mit langem Gedächtnis
• Kausalität, Transferfunktionen, multivariate Methoden
• Skalierung, (Multi-)Fraktale
• Komplexität und Information von Zeitreihen
• Wavelets
Michael Hauhs / Gunnar Lischeid
Modellierung von Zeitreihen mit langem Gedächtnis
Beobachtete Zeitreihen haben aber oft ein langes Gedächtnis:
Wiederholung: Das Gedächtnis M einer Zeitreihe ergibt sich aus denAutokorrelationskoeffizienten
k
kM
Langes Gedächtnis M
Z.B. wenn für grosse Abstände 10mit /1 ak a(algebraisches Abklingen)
Problem der ARMA/ARIMA(p,q)-Modelle: Autokorrelation fällt exponentiell für grosse Abstände ( )dqpk
reellmit)()()()( dtBtxB d
Modellierung beliebig langreichweitiger Korrelationen:Fractional Autoregressive Integrated Moving Average (FARIMA) Modelle
)(B Autoregressives Polynom der Ordnung p
)()( 1 ii txtBx Rückwärtsschiebeoperator
)(B Moving Average Polynom der Ordnung q
dd B)1( Differenzenoperator
Reihenentwicklung:
...6
)2)(1(
2
)1(1)()1()( 32
0
Bddd
Bdd
dBBk
dBB
k
kdd
D.h. alle vorangegangenen Zeitpunkte tauchen auf (bis zum Abbruch)!
)(tx Beobachtungen, )(t unkorreliertes (Gaußsches) Rauschen
Verhalten von FARIMA(p,d,q)-Modellen
0d N o r m a l e s A R M A - M o d e l l ,k u r z r e i c h w e i t i g
ganzzahlig0d N o r m a l e s A R I M A - M o d e l l ,k u r z r e i c h w e i t i g
-0.5d i n v e r t i e r b a r
0.5d s t a t i o n ä r
0.50 d L a n g e s G e d ä c h t n i s
Verhalten der Autokorrelation:d
k k 21
d heißt Persistenz-Parameter (d=0 keine, d=0.5 maximale Persistenz)
Vorgehen bei der Konstruktion von FARIMA(p,d,q)-Modellen an Beispielen
(Montanari et al., WRR 33, 1035-1044 (1997); WRR 36, 1249-1259 (2000))
• x(t): 51 Jahre tägliche Werte, 18748 Datenpunkte; 122 Jahre monatliche Werte, 1466 Datenpunkte
• Elimination von periodischen Instationaritäten: Desaisonalisierung mit geeignetem Verfahren
• Berechnung der Autokorrelation für die desaisonalisierte Reihe und Abschätzung der benötigten Terme für den Differenzenoperator
• Ggf. Transformation der Daten, um Normalverteilung zu approximieren (Box-Cox-Transformation), nicht immer nötig• Bestimmung einer ersten Schätzung für d (Hurst-Analyse)• Wahl von p und q und Ermittlung der optimalen Koeffizienten mit Maximum Likelihood-Verfahren
• Auswahl des besten Modells mit dem Akaike-Informations-Kriterium
• Untersuchung der Residuen (unkorreliertes Gaußsches Rauschen?) mit dem Portmanteau-Test
• Simulation der Zeitreihe mit dem besten Modell und Vergleich von Autokorrelation und Wahrscheinlichkeitsverteilung• Falls erfolgreich: Abflussgenerator gefunden!
Langreichweitige Autokorrelationen sind klar vorhanden. Die Entwicklung des Differenzenoperators sollte ca. 100 Terme umfassen.
Beispiel: Lago Maggiore-Zufluss
Die Portmanteau-Statistik zeigt: optimales Modell ist FARIMA(1,0.38,1), genauer:
)()23.01()()1)(11.01( 38.0 tBtxBB
...aber auch, dass das Restrauschen nicht Gaußsch ist!
Das Restrauschen ist nicht signifikant korreliert
Das Restrauschen ist nichtmit einer Normalverteilung verträglich
Die Simulationen mit dem optimalen Modellliefern AKFs und pdfs, die die Beobachtungen sehr gut widerspiegeln
Das Hurst-Phänomen
Beobachtung (Hurst 1951):
Der Wertebereich q oder die Höhe von Extremereignissen hängt vonder gewählten Zeitauflösung oder Aggregation k wie eine Potenzfunktion ab:
Hkq H: Hurst-Koeffizient (-Exponent)
Theoretische Rechnung: Bei Prozessen erster Ordnung (Random Walk, ARIMA(0,1,0), Brownsche Bewegung) gilt
5.0H
Beobachtung an Nil-Hochwässern (2000 Jahre):04.079.0 H
D.h. die Extremereignisse wachsen sehr viel schneller an:Persistenz
Das Nilometer bei Kairo:
Längste hydrologische Zeitreihe der Welt:621-1921 A.D.
aus: Sutcliffe and Parks (1999)
Nil-Abfluß
Nile runoff 1872 - 1996
Years
Beispiel Nil: Autokorrelation
Nil-Wahrscheinlichkeiten
Die R/S Methode zur Hurst Statistik
k
iik tXY
1
)( Teilsummen
kn
niitXk
knX1
_
)(1
),( Fenstermittel
)(),,( nknnin YYk
iYYkinD
Abweichungen vom linearen Verhalten
),,(min),,(max),(00
kinDkinDknRkiki
Bereichsstatistik
kn
ni i knXtXk
knS1
2_
)),()((1
),( Standardabweichung im Fenster
),(/),(),( knSknRknq Mandelbrots Test Statistik
Man plottet log q gegen log k und bestimmt die Steigung H
Eigenschaften des Hurst-Exponenten
• Klassifikation von Prozessen:• Persistenz (H > 0.5), • Anti-Persistenz (H < 0.5), • Brownsches Rauschen (H = 0.5)
• Regen meistens in der Nähe von H=0.5
• Typischer Abflusswert (Weltmittel) : H=0.73 (Nil ist ein Extremfall)
• Theoretischer Zusammenhang mit dem Persistenzparameter: d=H-0.5 (manchmal nicht gut erfüllt, s. später)
• Prinzipielles Problem: Langsame Instationaritäten (sehr lange Mittelwertdrifts), die durch Trendtests nicht erkannt werden, führen zu H>0.5 genau wie "echte" Persistenz
Hurst-Koeffizienten Nil (Hurst 1951)
0,6
0,65
0,7
0,75
0,8
0,85
0,9
641-740 741-840 841-940 941-1041 1042-1142 1143-1242 1243-1344 1345-1445 1446-1741 1741-1866 1867-1946
Lehstenbach Hurst-Statistik
0
0,5
1
1,5
2
2,5
0,5 1 1,5 2 2,5 3
log k
log q
Abfluss, H=0.84
Regen, H=0.63
Steinkreuz Hurst Statistik
-0.1
0.4
0.9
1.4
1.9
2.4
2.9
3.4
3.9
-1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3
log k
log
q
Regen, H=0.68
Abfluss, H=0.96
Im Regensignal ist ein endliches Gedächtnis (Abflachen) zu erkennen
Hurst-Exponenten von Flüssen (weltweit)
0.65
0.7
0.75
0.8
0.85
0.9
Obera
mm
erga
u
Fische
n
Fürste
nfeld
bruc
k
Inkh
ofen
Günzb
urg
u.d.
Mün
dung
Gün
z
Dilling
en
Donau
wörth
Ingo
lstad
t
Kelheim
Obern
dorf
Hofkir
chen
Achlei
ten
Mitte
nwald
Leng
gries
Bad T
ölz K
raftw
erk
Garm
isch
u.d.
Par
tnac
h
Koche
l
Dasing
Man
ching
Amaz
onas
Miss
issipp
iNil
Ort
Hu
rst-
Exp
on
ent
Ammer
Amper Donau
Isar
Loisach Paar