دانلود کتاب Angewandte Zeitreihenanalyse mit R

فهرست مطالب :

Vorworte\nInhaltsverzeichnis\n1 Fragestellungen und Datensituation\n2 Grundlagen und einfacheMethoden\n 2.1 Stationäre Zeitreihen\n Darstellung von Zeitreihen\n Autokovarianz- und Autokorrelationsfunktion\n Stationarität\n Schätzen der Kennfunktionen\n Bootstrap\n 2.2 Das Komponentenmodell\n 2.3 Deterministische Trends\n Trendbestimmung mittels linearer Regression\n Trendbestimmung mittels nichtlinearer Regression\n Bestimmung der glatten Komponente\n 2.4 Saisonbereinigung\n Einfache Ansätze\n Etablierte Saisonbereinigungsverfahren\n 2.5 Transformationen\n Instantane Transformationen\n Lineare Filterung von Zeitreihen\n 2.6 Einfache Extrapolationsverfahren\n 2.7 R-Funktionen\n3 Lineare Zeitreihenmodelle\n 3.1 AutoregressiveModelle\n Definition und grundlegende Eigenschaften\n Schätzen von AR-Parametern\n Levinson-Durbin-Rekursion und partielle Autokorrelation\n Spezifikation von AR-Modellen\n 3.2 MA-Modelle\n Definition und grundlegende Eigenschaften\n Schätzen und Anpassen vonMA-Modellen\n 3.3 ARMA-Modelle\n Definition und grundlegende Eigenschaften\n Schätzen der Parameter\n Spezifikation von ARMA-Modellen\n 3.4 ARIMA-Modelle\n Definition und Spezifikation von ARIMA-Modellen\n Saisonale ARIMA-Modelle\n Konstante Terme in ARIMA-Modellen\n 3.5 R-Funktionen\n4 Differenzen- und Trendinstationarität\n 4.1 Instationaritätstypen und ihre Implikationen\n 4.2 Einheitswurzeltests\n 4.3 R-Funktionen\n5 Prognosenmit univariaten Zeitreihenmodellen\n 5.1 Verfahren der exponentiellen Glättung\n 5.2 Prognosenmit ARIMA-Modellen\n 5.3 Trendextrapolationmit ARMA-Störungen\n 5.4 Zur Auswahl eines Prognosemodells\n 5.5 R-Funktionen\n6 Periodizitäten in Zeitreihen\n 6.1 Periodizitäten\n 6.2 Periodische Trends\n 6.3 Das Periodogramm\n Definition des Periodogramms\n Probleme bei der Interpretation des Periodogramms\n Test auf eine Periodizität\n Test aufWhite-Noise\n 6.4 Spektren\n Definition und Eigenschaften\n Lineare Filter imFrequenzbereich\n 6.5 Spektralschätzung\n Direkte Spektralschätzung\n Weitere Ansätze zur Spektralschätzung\n 6.6 R-Funktionen\n7 Prozessemit langem Gedächtnis\n 7.1 Einführung der Prozesse\n 7.2 Bestimmung des fraktionellen Exponenten\n 7.3 Prognosenmit ARFIMA-Modellen\n 7.4 R-Funktionen\n8 Mehrdimensionale Zeitreihen\n 8.1 Kenngrößenmehrdimensionaler Zeitreihen\n Kenngrößen imZeitbereich\n Kreuzspektren\n 8.2 Mehrdimensionale lineare Zeitreihenmodelle\n VARMA-Prozesse\n Spezifikation und Schätzung von VARMA-Modellen\n Granger-Kausalität\n Kointegration\n 8.3 R-Funktionen\n9 Regressionsmodelle für Zeitreihen\n 9.1 Regressionmit autokorrelierten Störungen\n 9.2 Interventionsanalysen\n 9.3 Transferfunktionsmodelle\n 9.4 R-Funktionen\n10 Zustandsraummodelle und Kalman-Filter\n 10.1 Zustandsraummodelle\n 10.2 Kalman-Filter\n 10.3 R-Funktionen\n11 NichtlineareModelle\n 11.1 Nichtlinearität in Zeitreihen\n Nichtlineares bedingtes Niveau\n Nichtlineare bedingte Streuung\n Spezifikation nichtlinearer Zeitreihenmodelle\n 11.2 Markov-switchingModelle\n Markov-Ketten\n Markov-switching autoregressive Prozesse\n Inferenz\n 11.3 Threshold-Modelle\n 11.4 Bedingt heteroskedastischeModelle\n Das ARCH-Modell\n Modellanpassung und Parameterschätzung\n Modellerweiterungen\n 11.5 R-Funktionen\n12 Spezielle Probleme\n 12.1 FehlendeWerte\n 12.2 Nicht gleichabständige Beobachtungen\n 12.3 Ausreißer und robuste Verfahren\n Ausreißer\n Robuste Verfahren\n 12.4 R-Funktionen\n13 Einführung in R\n 13.1 Erste Schritte\n Starten und Beenden\n Die R-Konsole und Skripte\n Hilfen\n 13.2 Datentypen und Objekte\n Datentypen\n R-Vektoren\n Weitere Objekte\n Indizierung\n 13.3 Operatoren und Funktionen\n Mathematische Operatoren\n Vergleichsoperatoren\n Boolesche Operatoren\n Matrix-Operationen\n Funktionen\n 13.4 Bibliotheken und Programmierung\n Bibliotheken\n Kontroll-Strukturen\n Eigene Funktionen\n 13.5 Einlesen und Exportieren von Daten\n 13.6 Grafik\nDie aufgerufenenR-Funktionen\nDie Zeitreihen\nLiteratur\nAbkürzungen und Symbole\nSachindex