Modul 32681

Für die Untersuchung vieler ökonomischer Fragestellungen sind Zeitreihendaten und dafür geeignete Methoden notwendig. Zudem ist die Prognose wichtiger Kennzahlen wie des realen BIPs, der Inflationsrate und der Arbeitslosigkeit elementar, gerade in unsicheren Zeiten. Zeitreihendaten sind von großer Relevanz für eine Vielzahl von Institutionen und Firmen sowie wirtschaftspolitische Entscheidungsträger. Da viele ökonomische Daten als Zeitreihen verfügbar sind, ist auch das entsprechende Instrumentarium hierfür umfangreich. Dieses Modul gibt einen Überblick über die wesentlichsten Konzepte und Methoden der Zeitreihenanalyse aus der Perspektive der Ökonometrie und vermittelt Kompetenzen für die Durchführung eigener Analysen.

Zunächst werden Besonderheiten von Zeitreihendaten und deren Unterschiede zu Querschnittsdaten etabliert. Wesentlich hierbei sind Konzepte wie Trends, Autokorrelationen oder auch der Begriff der Stationarität. Die Stationarität ist von großer Bedeutung bei der Arbeit mit Zeitreihendaten und ermöglicht das Arbeiten mit Autoregressiven Moving Average (ARMA)-Modellen, welche ebenfalls behandelt werden. Neben der Kleinst-Quadrate Schätzung, wird hier auch die Maximum-Likelihood Schätzung eingeführt, welche für das Schätzen und Testen einer Vielzahl an Modellen verwendet wird. Da nicht alle Daten die Anforderung der Stationarität aufweisen, behandelt ein Teil des Moduls sogenannte Irrfahrten und Einheitswurzeln und entsprechende ökonometrische Tests auf Stationarität und Transformationen um Zeitreihen in eine stationäre Form zu überführen.

Nach einer Einführung in die univariate Zeitreihenanalyse schließt sich die multivariate Erweiterung im zweiten Teil des Moduls an. Oftmals spielen in der wirtschaftswissenschaftlichen Analyse multivariate Zeitreihen eine große Rolle. Im Falle vorliegender Stationarität werden sogenannte Vektor-Autoregressive (VAR)-Modelle behandelt, mit derer eine Vielzahl moderner Analyseinstrumente etabliert werden. Hierzu zählen u.a. Impuls-Antwortfolgen, Granger-Kausalität und Prognose. Für den nichtstationären Fall wird die Kointegrationsanalyse betrachtet, welche in praktischen Anwendungen eine große Rolle spielt. Hierbei werden langfristige Gleichgewichtsbeziehungen und kurzfristige Anpassungsmechanismen genauer beleuchtet. Eine Vielzahl ökonomischer Theorien implizieren langfristige Gleichgewichtsbeziehungen zwischen ökonomischen Variablen und somit auch Kointegrationsbeziehungen zwischen den jeweiligen trendbehafteten Zeitreihen.

In diesem Modul erwerben Sie vielfältige Kompetenzen in der modernen Zeitreihenanalyse aus der Perspektive der Ökonometrie. Nach Absolvierung des Moduls sind Sie in der Lage, wesentliche Eigenschaften von Zeitreihendaten zu analysieren und zu modellieren. Sie können uni- und multivariate Analysen durchführen und z.B. auf Basis der Vergangenheit Prognosen treffen und die damit verbundene Unsicherheit quantifizieren. Zusätzlich vertiefen Sie Ihre mathematischen und statistischen Kenntnisse und sind somit auch in der Lage sich tiefergehende Literatur in dem Bereich zu erarbeiten.

Die Lehrinhalte des Moduls werden mit Hilfe von abrufbaren Videos und dazugehörigen Präsentationsfolien vermittelt. Die Inhalte basieren dabei auf dem etablierten Lehrtext von Bernhard Pfaff „Analysis of Integrated and Cointegrated Time Series with R – Second Edition“ (Use R! – Reihe im Springer Verlag). Darüber hinaus werden Übungen angeboten, in denen die unterschiedlichen Methoden angewandt werden. Außerdem wird in diesem Modul die open-source Programmiersprache R eingesetzt. Diese ermöglicht es, Ergebnisse zu replizieren und die Methoden auf neue Datensätze anzuwenden und auch weitere eigenständige Analysen durchzuführen. Alle Inhalte werden auf Moodle bereitgestellt.