Vor Ort
Merkzettel Warenkorb
  • Produktbild: Der Kalmanfilter als Instrument zur Diagnose und Schätzung variabler Parameter in ökonometrischen Modellen
  • Produktbild: Der Kalmanfilter als Instrument zur Diagnose und Schätzung variabler Parameter in ökonometrischen Modellen
Band 27

Der Kalmanfilter als Instrument zur Diagnose und Schätzung variabler Parameter in ökonometrischen Modellen

Aus der Reihe Arbeiten zur Angewandten Statistik

54,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

17.09.1986

Verlag

Physica

Seitenzahl

490

Maße (L/B/H)

24,4/17/2,8 cm

Auflage

1. Auflage

Sprache

Deutsch

ISBN

978-3-7908-0359-4

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

17.09.1986

Verlag

Physica

Seitenzahl

490

Maße (L/B/H)

24,4/17/2,8 cm

Auflage

1. Auflage

Sprache

Deutsch

ISBN

978-3-7908-0359-4

Herstelleradresse

Physica Verlag
Tiergartenstr. 17
69121 Heidelberg
DE

Email: ProductSafety@springernature.com

Ein neues Kapitel für Ihre Bücher

Ein neues Kapitel für Ihre Bücher

Schenken Sie Ihren alten Schätzen ein zweites Leben: Einfach Barcode scannen, Versandetikett ausdrucken, Bücher verschicken und Thalia Geschenkkarte erhalten.

Jetzt verkaufen
Jetzt verkaufen

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern
  • Produktbild: Der Kalmanfilter als Instrument zur Diagnose und Schätzung variabler Parameter in ökonometrischen Modellen
  • Produktbild: Der Kalmanfilter als Instrument zur Diagnose und Schätzung variabler Parameter in ökonometrischen Modellen
  • Gliederung.- I: Bedeutung und Ursachen veränderlicher Parameter in der quantitativen Ökonomie: statistische Methoden zu ihrer Erkennung und Schätzung.- 1. Auf der Suche nach stabilen Parametern des „datenerzeugenden Prozesses“: Problem der „strukturellen“ Schätzung in der Ökonometrie.- 1.1. Vorbemerkungen.- 1.2. Ein ökonometrisch-statistisches Rahmenmodell.- 1.3. Die Reduktion und Reparametrisierung des Totalmodells: die Zulässigkeit der Reduktion für Inferenz, Prognose und Simulation bei Interventionen in den „erklärenden“ Variablen mit den zugehörigen Exogenitätskonzepten.- 1.4. Ein kleines Beispiel mit einer Illustration der LUCAS-Kritik — eine Erklärung von Parameterinstabilitäten aus Sicht der Theorie „rationaler Erwartungen“.- Exkurs: WOLD-STROTZ-Transformationen, Vorherbestimmtheit und strenge Exogenität in einem stationären AR-Modell.- 1.5. Die Rehabilitierung der reduzierten Form: eine Darstellung der SIMS-Kritik an der Ökonomie und Ökonometrie „rationaler Erwartungen“.- 1.6. Abschließende Bemerkungen: Ursachen variabler Regressionsparameter und ein Ansatz ihrer Modellierung.- 2. Schätzung variabler Parameter: ein kurzer Überblick traditioneller Ansätze.- 2.1. Vorbemerkungen.- 2.2. Eine kurze Diskussion dynamischer Regressionsmodelle und nichtrekursiver Schätzverfahren.- 2.2.1. Diskrete Parametervariation.- 2.2.2. Systematische und autoregressive Parametervariation: nichtrekursive Schätzung des Parameterverlaufs in einem Aitken-Modell.- 2.3. Das Verfahren der exponentiellen Glättung in einer Interpretation als adaptives Verfahren und als Spezialfall eines Kaimanfilters.- 3. Abriß der weiteren Vorgehensweise: Leitfaden und Zusammenfassung.- II: Rekursive Schätzung der zeitabhängigen stochastischen Koeffizienten in einem verallgemeinerten Regressionsmodell: Zustandsschätzung in einem vollspezifizierten dynamischen linearen Modell mit Hilfe des Kaimanfilters.- 1. Das Zustandsraummodell (Das „dynamische lineare Modell“).- 1.1. Das allgemeine Zustandsraummodell.- 1.2. Das lineare Zustandsraummodell.- 1.3. Interpretationen des Zustandsraummodells: ein Überblick.- 2. Alternative Herleitungen und Interpretationen der Kaimanfiltergleichungen.- 2.1. Ein Bayesianischer (entscheidungstheoretischer) Modellrahmen.- 2.1.1. Die rekursive Berechnung von a posteriori Dichten in einem allgemeinen Zustandsraummodell.- 2.1.2. Ableitung von Bayesregeln in einem vereinfachten dynamischen linearen Modell.- 2.2. Kleinstquadratschätzer: Definition und elementare Eigenschaften.- 2.3. Ableitung der Kalmanfiltergleichungen durch rekursive Berechnung bedingter Normalverteilungen.- 2.3.1. Rekursionsgleichungen für die Filterlösung.- 2.3.2. Interpretation der Filterstruktur.- 2.4. Der lineare Kleinstquadratschätzer.- 2.4.1. Definition und elementare Eigenschaften.- 2.4.2. Die Innovationsfolge und ihre Eigenschaften.- 2.5. Ableitung der Kaimanfiltergleichungen durch schrittweise Regression auf die Glieder einer Innovationsfolge.- 2.5.1. Rekursionsgleichungen für die Filterlösung.- 2.5.2. Parallelen zur „Aitken-Schätzung“ und „gemischten“ Schätzung.- 2.6. Approximation von Zufallsvariablen in Hilberträumen — Kaimanfilter als rekursive Projektionen.- 2.6.1. Approximation von Vektoren eines Hilbertraumes durch Vektoren eines Unterraumes.- 2.6.2. Interpretation des Kalmanfilter-Algorithmus als rekursive Projektionen in einem Hilbertraum.- 2.7. Anwendungsbeispiele.- 2.7.1. Sequentielle Regression und rekursive Residuen.- 2.7.2. Die Bestimmung einer optimalen Glättungskonstanten im Rahmen der Schätzung permanenter Zeitreihenkomponenten.- 2.7.3. Die Verwendung des Kaimanfilters zur Beschreibung von Informationsstrukturen in dynamischen Entscheidungsproblemen unter Unsicherheit.- 3. Vervollständigung der Schätzaufgaben: Herleitung der Glättungs- und Prognoselösung.- 3.1. Vorbemerkungen.- 3.2. Herleitung der Glättungslösung.- 3.3. Herleitung der Prognoselösung.- 4. Numerische Varianten der Kalmanfilter-Gleichungen.- 4.1. Vorbemerkungen.- 4.2. Hilfsmittel.- 4.2.1. Cholesky-Wurzeln einer positiv definiten, symmetrischen Matrix.- 4.2.2. Die Householder-Transformation.- 4.2.3. Konstruktion linearer Kleinstquadratschätzer mit Hilfe von Householder-Transformationen.- 4.2.4. Ein Matrixinversionssatz.- 4.3. Der Kovarianzfilter in Standardform.- 4.4. Der Kovarianzfilter in Wurzelform.- 4.5. Der Informationsfilter in Standardform.- 4.5.1. Die Filterlösung.- 4.5.2. Die Glättungslösung.- 4.6. Der Informationsfilter in Wurzelform.- 4.6.1. Die Filterlösung.- 4.6.2. Die Glättungslösung.- 5. Erweiterungen des dynamischen linearen Grundmodells.- 5.1. Das dynamische lineare Modell mit zeitabhängigen Modellmatrizen und kontemporär korrelierten Störtermen in der Beobachtungs- und Übergangsgleichung.- 5.1.1. Die Filterlösung.- 5.1.2. Die Glättungslösung.- 5.2. Die Berücksichtigung verzögert endogener Variabler unter den erklärenden Variablen eines Zustandsraumes.- 5.2.1. Die Filterlösung.- 5.2.2. Die Innovationsfolge.- 5.2.3. Die Glättungslösung (für festes und variables Glättungsintervall).- 6. Stabilitätseigenschaften der Kaimanfilter-Rekursionsgleichungen.- 7. Sensitivitätseigenschaften des Kaimanfilters in einem fehlspezifizierten dynamischen linearen Modell.- 8. Nichtlineare Kalmanfilter-Rekursionen.- 8.1. Der erweiterte Kaimanfilter.- 8.2. Anwendungsbeispiele.- 8.2.1. Simultane Gleichungssysteme mit zeitabhängigen Koeffizienten der gemeinsam endogenen Variablen.- 8.2.2. Gemeinsame Schätzung von Systemzuständen und der unbekannten Elemente einer Transitionsmatrix.- III: Maximum-Likelihood-Schätzung der konstanten Parameter eines dynamischen linearen Modells: Implementierung alternativer Maximum-Likelihood-Suchverfahren (EM- und SCORING-Methode), asymptotische Verteilungstheorie und Modellüberprüfung.- 1. Vorbemerkungen (Modellspezifikation und Notationen).- 1.1. Spezifikation des zu schätzenden Modells.- 1.2. Der Maximum-Likelihood-Ansatz für die Schätzung der unbekannten (konstanten) Modellparameter: Besonderheiten der Likelihood-Gleichungen und ein Verfahrensüberblick für ihre Lösung.- 2. Hilfsmittel zur Maximierung der Likelihood-Funktion.- 2.1. Einige Hilfssätze aus der Matrixalgebra.- 2.1.1. Vektorisierungsregeln.- 2.1.2. Differentiationsregeln für Matrizen und Vektoren.- 2.1.3. Dekompositionseigenschaften positiv (semi)definiter Matrizen.- 2.1.4. Verteilung quadratischer Formen in normalverteilten Zufallsvariablen.- 2.2. Das Scoring-Verfahren (C.R. Rao).- 2.3. Das EM-Verfahren (Dempster/Laird/Rubin).- 2.3.1. Definition des EM-Verfahrens.- 2.3.2. Zwei Hilfssätze: Die Informationsungleichung und einige Eigenschaften der Score-Funktion.- 2.3.3. Eigenschaften des EM-Algorithmus.- 3. Maximierung der log-Likelihood-Funktion in einem dynamischen linearen Modell.- 3.1. Implementierung der Scoring-Methode.- 3.1.1. Gradient und Hessesche Matrix der log-Likelihood.- 3.1.2. Optimierung der Schrittlänge und Berechnung der nächsten Iterationslösung.- 3.1.3. Vereinfachungen für einen Spezialfall.- 3.2. Implementierung der EM-Methode.- 3.2.1. Der Erwartungsschritt.- 3.2.2. Der Maximierungsschritt.- 3.3. Zusammenspiel der Scoring- und der EM-Methode im Rahmen einer gemeinsamen Zustands- und Parameterschätzung mit dem Kalmanfilter.- 4. Die Eindeutigkeit der Likelihood-Funktion in den unbekannten Modellparametern: „Identifizierbarkeit“ der Parameter eines dynamischen linearen Modells.- 4.1. Identifizierbarkeit: Konzepte und Kriterien.- 4.2. Ein Beispiel für die Identifizierbarkeit zeitinvarianter Zustandsraummodelle: alternative Darstellung stationärer ARMA(X)-Modelle in Zustandsräumen.- 4.3. Identifizierbarkeit in einem Spezialfall des dynamischen linearen Modells: Regressionsmodelle mit ARMA(X)-verteilten Regressionskoeffizienten.- 5. Asymptotische Eigenschaften der Maximum-Likelihood-Schätzer für die unbekannten (konstanten) Parameter eines dynamischen linearen Modells.- 5.1. Asymptotische Eigenschaften von Maximum-Likelihood-Schätzern bei stochastisch abhängigen Beobachtungsvariablen: ein kurzer Überblick.- 5.2. Asymptotische Normalität und Konsistenz der Maximum-Likelihood-Schätzer im dynamischen linearen Modell.- 6. Modellüberprüfung.- 6.1. Vorbemerkungen: Arten der Modellüberprüfung.- 6.2. Überprüfung der Innovationsfolge auf (normalverteiltes) weißes Rauschen.- 6.3. überprüfen von Restriktionen auf dem Parameterraum.- 6.4. Der Informationsmatrix-Test (H. WHITE).- 7. Schlußbemerkungen: Alternativen zur Maximum-Likelihood-Schätzung.- a) Aufsätze in Zeitschriften, Aufsatzsammlungen, Konferenzbänden und Handbüchern; Arbeitspapiere.- b) Bücher (Monographien, Hand- und Lehrbücher).