Forcasting - Interactive curriculae of TU Ilmenau

Statistik 1 und 2

Die Studierenden kennen die wichtigsten Prognosetechniken und können diese in Bezug auf ihre Anwendungsmöglichkeiten einordnen. Sie sind in der Lage, die Güte getroffener Vorhersagen anhand objektiver Kriterien zu bewerten.

Die Lehrveranstaltung vermittelt Fach- und Methodenkompetenz vorrangig für Entwicklungs- und Wirkungsprognosen. Die Studierenden sind mit multivariaten Prognoseverfahren so weit vertraut, um entsprechende Modelle verstehen und praktisch anwenden zu können. Sie beherrschen die Zerlegung gegebener Zeitreihen in Komponenten und deren Extrapolation in die Zukunft. Die Studierenden können lineare Modelle an stationäre Zeitreihen anpassen und damit kurzfristige Vorhersagen erstellen.

1. Einführung und Überblick

2. Multivariate Prognoseverfahren

• Regressionsanalyse

• Diskriminanzanalyse

• Entscheidungsbäume

3. Komponentenmodelle

• Grundmodell und Varianten

• Schätzung der Komponenten

• Modellbeurteilung

4. Lineare Zeitreihenmodelle

• Autoregressive Modelle

• MA-Modelle

• ARMA-Modelle

• ARIMA-Modelle

Interaktives Tafelbild, Overhead-Projektionen, Moodle: https://moodle.tu-ilmenau.de/enrol/index.php?id=610

Jeweils in der aktuellen Auflage:

• Bankhofer, U.; Vogel, J.: Datenanalyse und Statistik, Gabler, Wiesbaden

• Fahrmeir, L.; Hamerle, A.; Tutz, G.: Multivariate statistische Verfahren, de Gruyter, Berlin

• Hansmann, K.-W.: Kurzlehrbuch Prognoseverfahren, Gabler, Wiesbaden

• Makridakis, S.; Wheelwright, S.; Hyndman, R.: Forecasting, Wiley, New York

• Merstens, P.; Rässler, S. (Hrsg.): Prognoserechnung, Physica, Heidelberg

• Rinne, H.; Specht, K.: Zeitreihen – Statistische Modellierung, Schätzung und Prognose, Vahlen, München

• Schlittgen, R.: Angewandte Zeitreihenanalyse, Oldenbourg, München, Wien

• Schlittgen, R.; Streitberg, B.: Zeitreihenanalyse, Oldenbourg, München, Wien