Ein Methodenbündel zur Modellierung und Analyse zeitlich geordneter Daten, das sich auf zeitliche Abhängigkeiten, Trend, Saisonalität, Zyklen und stochastische Eigenschaften konzentriert, um Dynamiken zu beschreiben, Hypothesen über Zeitprozesse zu prüfen und Vorhersagen zu erstellen.

Prinzip

Behandle Beobachtungen als Realisationen stochastischer Prozesse, bei denen Autokorrelation, Stationarität und spektrale Eigenschaften die Inferenz bestimmen; Identifikation und Vorhersage beruhen auf der Modellierung der Zeitabhängigkeitsstruktur (AR, MA, ARMA, ARIMA, Zustandsraummodelle usw.).

Demonstration

Die vierteljährliche BIP-Zeitreihe mit einem ARIMA-Modell modellieren, um Persistenz und Saisonalität zu erfassen, auf Einheitswurzeln testen, um scheinhafte Regressionen zu vermeiden, und kurzfristige Prognosen mit Vorhersageintervallen für die Politikplanung erstellen.

Fehlanwendung

OLS auf zwei trendenden Reihen anwenden, ohne auf Kointegration zu testen, was zu scheinhafter Korrelation führt, oder strukturelle Brüche und Nichtstationarität ignorieren, die Standardinferenz und Prognosen entwerten.

Konsequenz

Richtige Zeitreihenanalyse liefert valide Aussagen über zeitliche Dynamiken, zuverlässige Kurz- und Mittelfristprognosen wenn Modelle relevante Abhängigkeiten und strukturelle Merkmale erfassen, sowie eine prinzipielle Quantifizierung der Unsicherheit für zeitgebundene Entscheidungen.

Umkehrung

Eine Querschnittsanalyse, die Beobachtungen als unabhängige Stichproben behandelt und daher zeitliche Ordnung oder Abhängigkeit nicht berücksichtigt und somit Autokorrelation, Persistenz oder zeitbedingte Kausalität nicht modellieren kann.

Abgrenzung

Betrifft Daten mit sinnvoller zeitlicher Reihenfolge und erfordert in der Regel Aufmerksamkeit für Abtastfrequenz, Stationarität, Autokorrelation, strukturelle Brüche und die Unterscheidung zwischen stochastischen und deterministischen Trends; Panelerweiterungen kombinieren Zeit- und Querschnitts-dimensionen und bringen zusätzliche Identifikationsfragen mit sich.

Semantische Spannung

Es besteht Spannung zwischen strukturorientierter Modellierung (wirtschaftliche Mechanismen und interpretierbare Parameter spezifizieren) und flexiblen Prognoseansätzen (Maschinenlernen oder reduzierte Formen, die gut vorhersagen, aber weniger strukturelle Interpretation liefern), sowie zwischen kurzfristiger Prognosegenauigkeit und langfristiger Stabilität.

Synthese

Zeitreihenanalyse modelliert zeitliche Abhängigkeit und stochastische Struktur geordneter Daten, um Trend, Saisonalität und Zyklen zu trennen, dynamische Hypothesen zu prüfen und mit quantifizierter Unsicherheit Prognosen zu erstellen, wobei Stationarität, Autokorrelation und strukturelle Änderungen explizit zu behandeln sind.