STATISTIK-FORUM.de

Hallo zusammen,

ich habe ein paar Sachen zur Regressionsanalyse/Zeitreihenanalyse gelesen, bin mir hinsichtlich einer Sacher allerdings immer noch nicht ganz sicher.
Wenn in meinem Modell eine erklärende Variable (Regressor) Saisonalität/Trend aufweist, muss ich diese Variable erst um um diese Komponenten bereinigen, bevor ich es in meinem Modell als erklärende Variable nutzen kann?

Danke!

Das kommt auf dein Modell und deine Daten an. Leider sagst du dazu nichts.

Hallo,

ich wollte eigentlich mehrere Modelle anwenden:
- Autoregression mit externer Variable
- Regressionen

Die Daten sind Rohstoffpreise:
- Elektrizitätspreise (enthalten drei Arten der Saisonalität: stündlich, wöchentlich und jährlich)
- Gaspreise (enthalten auch Saisonalität)
- Erdölpreise

Für so etwas nimmt man in der Regel VARs und Fehlerkorrekturmodelle.
Oder was soll das Ziel des Ganzen sein?

Das Gaspreise eine konstante Saisonstruktur haben würde ich einmal bezweifeln. Abgesehen vielleicht vom Endmarkt.

Das Ziel ist die Prognose.
Kann ich die Daten einfach so in ein VAR-Modell packen, obwohl eine Variable drei Saisonalitäten aufweist?
Error-Correction Modelle benutzt man ja, wie ich es verstehe, bei gemeinsamen Trends.
Gibt es auch Modelle für gemeinsame Saisonalitäten?

Zu meiner Überraschung ist dieser Aspekt in den Büchern (auch sehr populären) nicht, oder nicht klar genug adressiert...

Naja, du musst schon bedenken, wie sich VARs zusammensetzen. Eine Saisonerscheinung kann man auch als Trend verstehen und würde durch die Kointegrationsbeziehung mit aufgefangen werden.
Wenn du einen individuellen Trend hast, dann kannst du du dem VAR auch einen Trendvektor hinzufügen. Dann wird für jede Variable auch der Trend berücksichtigt. Wohlbemerkt in den Differenzen!
Das selbe gilt für Dummies. Du müsstest also ein VAR mit Dummies schätzen. Trends würde ich herauslassen. Wenn ich mich recht erinnere, streuen Energiepreisdifferenzen recht gleichmäßig um null.
Die Frage ist eher, wieviel Vorkenntnisse du hast. Die Thematik ist sehr komplex.