Zeitreihenanalyse in der Statistik
Die Zeitreihenanalyse ist ein Teilgebiet der Statistik, das Daten untersucht, die sequenziell über einen bestimmten Zeitraum hinweg erhoben werden, beispielsweise täglich, wöchentlich, monatlich oder jährlich. Im Gegensatz zu Querschnittsdaten, die zu einem einzigen Zeitpunkt erhoben werden, betont die Zeitreihenanalyse die Dynamik von Veränderungen und Mustern, die sich im Laufe der Zeit entwickeln. Da viele wichtige Entscheidungen – in Wirtschaft, Unternehmen, Gesundheitswesen, Energie und sogar im Klimabereich – vom Verständnis vergangener Trends und der Vorhersage zukünftiger Trends abhängen, ist die Zeitreihenanalyse ein unverzichtbares Instrument in Forschung und Praxis.
Merkmale von Zeitreihendaten
Das Hauptmerkmal einer Zeitreihe ist ihre unveränderliche Reihenfolge, die nicht ohne Informationsverlust verändert werden kann. Der heutige Wert hängt üblicherweise mit dem gestrigen Wert zusammen, und der Wert dieses Monats kann von jährlichen Mustern beeinflusst sein. Diese Abhängigkeit zwischen den Zeiträumen wird als Autokorrelation bezeichnet. Darüber hinaus weisen Zeitreihen häufig Komponenten wie Trends (langfristige Bewegungen), Saisonalität (wiederkehrende Muster im Zeitverlauf), Zyklen (mittelfristige, nicht immer regelmäßige Wellen) und Rauschen oder zufällige Fehler auf.
Beispielsweise steigen die Einzelhandelsumsätze tendenziell um Feiertage herum (saisonal), können aber aufgrund des Wirtschaftswachstums auch von Jahr zu Jahr langsam zunehmen (Trend). Schwankungen aufgrund unvorhergesehener Ereignisse – wie etwa Lieferengpässe oder politische Änderungen – fallen unter die Zufallskomponente.
Zweck der Zeitreihenanalyse
Die Zeitreihenanalyse verfolgt im Allgemeinen mehrere Hauptziele. Erstens beschreibt sie Datenmuster prägnant und informativ, beispielsweise durch die Trennung von Trends und Saisonalität. Zweitens erklärt sie die Mechanismen der Datenbildung mithilfe statistischer Modelle und ermöglicht so das Verständnis der Prozesse hinter Wertveränderungen im Zeitverlauf. Drittens erstellt sie Prognosen, indem sie zukünftige Werte auf Basis historischer Muster schätzt. Viertens erkennt sie Anomalien oder strukturelle Veränderungen, wie etwa Wirtschaftskrisen, Veränderungen im Marktverhalten oder fehlerhafte Messinstrumente, die zu Datenabweichungen führen.
Erste Schritte: Visualisierung und Erkundung
Ein üblicher erster Schritt ist die grafische Darstellung der Daten über die Zeit. Einfache Visualisierungen zeigen oft Aufwärts- oder Abwärtstrends, saisonale Muster und Ausreißer. Anschließend werden vorläufige statistische Analysen durchgeführt, beispielsweise die Berechnung eines gleitenden Durchschnitts zum Glätten kurzfristiger Schwankungen oder die Zeitreihenzerlegung zur Trennung von Trend-, Saison- und Restkomponenten.
Neben Diagrammen sind die Autokorrelationsfunktion (AKF) und die partielle Autokorrelationsfunktion (PAKF) zwei wichtige Werkzeuge zur Analyse von Zeitreihen. Die AKF zeigt, wie stark der Zusammenhang zwischen dem aktuellen Wert und Werten mit verschiedenen Verzögerungen (z. B. 1 Tag zuvor, 2 Tage zuvor usw.) ist. Die PAKF hilft, den direkten Einfluss einer Verzögerung zu identifizieren, nachdem der Einfluss kleinerer Verzögerungen kontrolliert wurde. Informationen aus der AKF und PAKF sind sehr hilfreich für die Auswahl des geeigneten Modells.
Das Konzept der Stationarität
Viele klassische Zeitreihenmethoden – insbesondere die ARIMA-Familie – setzen voraus, dass die Daten stationär sind. Eine stationäre Zeitreihe bedeutet, dass ihre statistischen Eigenschaften (wie Mittelwert und Varianz) über die Zeit relativ konstant sind und die Autokorrelation nur von der Zeitverzögerung, nicht aber von der absoluten Zeit abhängt.
Weisen die Daten einen starken Trend oder eine deutliche Saisonalität auf, sind sie in der Regel nicht stationär. Um sie stationär zu machen, verwenden Analysten häufig Transformationen wie Differenzbildung (Berechnung der Differenz zwischen Perioden) oder Logarithmierung zur Stabilisierung der Varianz. Formale Tests wie der Augmented Dickey-Fuller-Test (ADF) oder der KPSS-Test können bei der Beurteilung der Stationarität helfen, ihre Interpretation erfordert jedoch weiterhin eine Kombination aus Kontextverständnis und visueller Prüfung.
Beliebte Zeitreihenmodelle
1. Gleitendes Durchschnittsmodell und exponentielle Glättung
Glättungsverfahren werden häufig für Kurzfristprognosen eingesetzt. Gleitende Durchschnitte berechnen den Durchschnitt der letzten Perioden, um die nächste Periode vorherzusagen. Die exponentielle Glättung gewichtet die aktuellsten Beobachtungen stärker. Verfahren wie die einfache exponentielle Glättung eignen sich für trendlose und saisonale Daten, während die Holt-Methode Trends berücksichtigt und die Holt-Winters-Methode sowohl Trends als auch Saisonalität einbezieht.
Die Vorteile von Glättungsverfahren liegen in ihrer Einfachheit, Schnelligkeit und ihrer oft guten Eignung für operative Zwecke. Allerdings liefern sie nicht immer eine umfassende Interpretation der Autokorrelationsstruktur.
2. AR, MA und ARIMA
Das autoregressive (AR) Modell besagt, dass aktuelle Werte von vergangenen Werten abhängen. Das gleitende Mittelwertmodell (MA) besagt, dass aktuelle Werte durch vergangene Fehler beeinflusst werden. Die Kombination beider Modelle wird als ARMA bezeichnet. Wenn die Daten differenziert werden müssen, um sie stationär zu machen, spricht man von ARIMA (Autoregressives Integriertes Gleitendes Mittel). ARIMA wird als ARIMA(p, d, q) geschrieben, wobei p die Ordnung des AR-Modells, d die Ordnung der Differenzierung und q die Ordnung des MA-Modells ist.
Die Parameterauswahl wird üblicherweise durch die ACF/PACF und Informationskriterien wie AIC oder BIC unterstützt. ARIMA gilt aufgrund seiner Flexibilität und soliden theoretischen Grundlage seit langem als Standard in der Wirtschafts- und Unternehmensprognose.
3. SARIMA für saisonale
Weisen die Daten eine deutliche Saisonalität auf – beispielsweise ein monatlich-jährliches Muster –, wird das ARIMA-Modell zu SARIMA (Seasonal ARIMA) erweitert. Dieses Modell fügt eine saisonale Komponente hinzu, einschließlich AR-, Differenzierungs- und MA-Parametern für einen bestimmten saisonalen Zeitraum (z. B. 12 für monatliche Daten). SARIMA eignet sich für Daten wie die Anzahl der Touristen pro Monat, den stündlichen Stromverbrauch mit einem Tagesmuster oder die saisonale Produktnachfrage.
4. VAR für multivariate Analysen
In vielen Fällen analysieren wir mehrere Zeitreihen gleichzeitig, beispielsweise Inflation, Zinssätze und Wechselkurse. Die Vektorautoregression (VAR) ermöglicht es, jede Variable durch ihre eigenen Vergangenheitswerte und andere Variablen zu beeinflussen. VAR wird in der Ökonometrie häufig eingesetzt, um Systemdynamiken und die Auswirkungen von Schocks mittels Impulsantwortanalyse zu untersuchen.
5. Volatilitätsmodell: ARCH/GARCH
In Finanzdaten tritt Volatilität häufig gehäuft auf: Phasen der Ruhe folgen auf Phasen hoher Volatilität. ARCH- und GARCH-Modelle sind darauf ausgelegt, die sich im Zeitverlauf verändernde Varianz abzubilden. Diese Modelle sind wichtig für das Risikomanagement, die Bewertung von Vermögenswerten und die Messung von Marktunsicherheit.
Modellbewertung und Prognosegenauigkeit
Sobald ein Modell ausgewählt ist, muss seine Eignung bewertet werden. Die Residuen (die Differenz zwischen Ist- und Sollwerten) sollten zufälligem Rauschen ähneln: unstrukturiert, nicht autokorreliert und mit relativ stabiler Varianz. Der Ljung-Box-Test wird häufig verwendet, um die Autokorrelation der Residuen zu überprüfen.
Zur Messung der Prognosequalität werden Kennzahlen wie MAE (Mittlerer Absoluter Fehler), RMSE (Root Mean Squared Error) und MAPE (Mittlerer Absoluter Prozentualer Fehler) verwendet. Es empfiehlt sich, die Daten zeitlich (zeitbasierte Aufteilung) statt zufällig in Trainings- und Testdaten aufzuteilen, damit die Bewertung die tatsächlichen Prognosebedingungen widerspiegelt.
Häufige Herausforderungen bei Zeitreihen
Die Analyse von Zeitreihen steht häufig vor Herausforderungen wie fehlenden Daten, geänderten Messdefinitionen, extremen Ausreißern und Strukturbrüchen. Beispielsweise kann eine Pandemie Konsummuster drastisch verändern, wodurch Modelle, die auf Daten aus der Zeit vor der Pandemie basieren, an Genauigkeit verlieren. In solchen Fällen können Modellaktualisierungen, die Verwendung exogener Variablen oder ein adaptiverer Ansatz erforderlich sein.
Darüber hinaus beeinflussen die zeitliche Auflösung und die Länge der Daten die anwendbaren Methoden maßgeblich. Hochfrequente Daten (z. B. pro Minute) erfordern eine spezielle Rauschunterdrückung und Rechenleistung, während Jahresdaten unter Umständen zu kurz sind, um Saisonalität zuverlässig zu identifizieren.
Penutup
Die Zeitreihenanalyse in der Statistik bietet einen umfassenden Rahmen zum Verständnis von Daten, die sich im Zeitverlauf verändern. Durch die Erkennung von Trends, Saisonalität und Autokorrelationen sowie die Auswahl des geeigneten Modells – von exponentieller Glättung bis hin zu ARIMA, VAR und GARCH – lassen sich präzisere Prognosen erstellen und tiefere Einblicke gewinnen. Eine erfolgreiche Analyse hängt jedoch nicht nur von der angewandten Technik ab, sondern auch vom Verständnis des Kontextes, der Datenqualität und einer sorgfältigen Auswertung. In einer zunehmend auf Echtzeitdaten angewiesenen Welt wird die Fähigkeit zur Zeitreihenanalyse für Forscher und Praktiker immer wichtiger.
