Nächste Seite: Über dieses Dokument ...
Aufwärts: Anwendungen
Vorherige Seite: Anderson-Darling-Test
  Inhalt
Der einfachste stochastische Prozeß ist das weiße Rauschen, das besagt, daß
keine Information von Zeitreihenwert zu Zeitreihenwert weitergegeben wird.
Im zweiteinfachsten Fall wird ein Anteil
der Information immer genau einen Zeitschritt weitergegeben, d.h.
|
(2.17) |
wobei
ein weißes Rauschen darstellt. Ein solcher Prozeß
wird autoregressiver Prozeß erster Ordnung (AR(1)-Prozeß,
aber auch Markov-Prozeß) genannt, eben
weil die Information autoregressiv um einen Zeitschritt weitergegeben wird.
Der Prozeß erscheint physikalisch sehr plausibel, denn die Zukunft hängt
dann nur vom momentanen Wert und einer Übergangswahrscheinlichkeit ab, nicht
aber davon wie der momentane Wert erreicht wurde.
Wenn der Anteil um einen Zeitschritt weitergegeben wird und davon
wieder der gleiche Anteil noch einen Zeitschritt weiter, so wird der Anteil
zwei Zeitschritte weiter gegeben und allgemein der Anteil
um Zeitschritte. Ein solcher Prozeß hat demnach eine
Autokorrelationsfunktion von , wenn die Verschiebung (Lag) ist.
Man kann sich nun die Frage stellen, ob die betrachtete Zeitreihe die
Realisation eines solchen Prozesses (möglicherweise mit überlagerten
Schwingungen, die dann wegen der Linearität des Prozesses nicht
frequenzverzerrt sind) ist, d.h.:
|
(2.18) |
Falls die Schwingungen nun wesentlich zur Varianz beitragen,
sieht man sie in der Zeitreihe mit bloßem Auge. Ist dies nicht der Fall, so
ist der Wert der Autokorrelation der Zeitreihe zur Verschiebung eins
() ein guter Schätzwert für . Kennt man aber so kennt man
den Prozeß, wie er ohne die Schwingungen währe. Das Spektrum hätte dann
folgende Form:
|
(2.19) |
Selbst wenn nun ein guter Schätzer für ist (was bedingt, daß
die Störungen gegenüber dem reinen Markov-Prozeß klein sind) und die
Zeitreihe tatsächlich aus einem Markov-Prozeß stammt, muß das
Zeitreihenspektrum (auch das geglättete) nicht so aussehen. Nun kann man
aber versuchen zu testen, ob das Zeitreihenspektrum ganz und gar nicht mit
der Hypothese verträglich ist. Dazu genügt es die Konvidenzintervalle
des theoretisch zugeordneten Spektrums zu kennen, d.h. die Wahrscheinlichkeit,
mit der ein bestimmter Spektralwert weiter als ein bestimmter Wert vom
theoretischen Spektrum abweicht. Es muß also nun der zu einer vorgegebenen
Wahrscheinlichkeit größte Abstand gesucht werden (d.h. das
Konfidenzintervall). Der Unterschied dieses Tests zum obigen White-Noise-Test
ist der, daß hier eine unzuverlässigere Variable (nämlich der
spektrale Wert, statt dem kumulativen spektralen Wert) getestet wird. Diese
ist nach Panofsky und Brier (1958) -verteilt. Man erhält das
Konfidenzintervall demnach gegeben durch
|
(2.20) |
mit der Irrtumswahrscheinlichkeit (d.h. ist die
Wahrscheinlichkeit dafür, daß
das Konfidenzintervall durch Zufall überschritten
wird) und dem Freiheitsgrad , der von der Anzahl der verwendeten
Fourier-Frequenzen und der Zeitreihenlänge abhängt:
|
(2.21) |
Für die Anwendung hier (mit ) folgt
daraus
.
Die Konfidenzlevels der -Verteilung
können (mit Hilfe der Cornish-Fisher-Entwicklung)
aus denen der Gauß-Verteilung wie folgt berechnet werden:
|
(2.22) |
mit:
Bei aller Vorsicht kann man mit diesem Test auch das weiße Spektrum
(d.h. das nicht kumulative) auf überzufällige Peaks testen. Der Vorteil
gegenüber dem obigen Test liegt darin, daß man bestimmte Peaks
verantwortlich für die Nichtübereinstimmung machen kann, der Nachteil ist,
daß das Ergebnis zweifelhaft ist.
Nächste Seite: Über dieses Dokument ...
Aufwärts: Anwendungen
Vorherige Seite: Anderson-Darling-Test
  Inhalt
ich
2000-01-25