Hauptmenü öffnen

Ein stationärer stochastischer Prozess ist ein spezieller stochastischer Prozess und damit Untersuchungsobjekt der Wahrscheinlichkeitstheorie. Man unterscheidet in schwach stationäre Prozesse (selten auch kovarianzstationäre Prozesse genannt) und stark stationäre Prozesse, wobei bei letzteren der Zusatz „stark“ oftmals weggelassen wird und man lediglich von stationären Prozessen spricht. Beiden Begriffen ist gemein, dass sie Eigenschaften besitzen, die zeitunabhängig sind.

Inhaltsverzeichnis

DefinitionBearbeiten

 
Zeitreihe von Residuen, nichtstationär gemäß dem Dickey-Fuller Test

Ein stochastischer Prozess   heißt stark stationär, wenn die Verteilung von   nicht von der Verschiebung   abhängt.

Ein stochastischer Prozess   heißt schwach stationär (selten kovarianzstationär[1][2]), wenn

  1. der Erwartungswert konstant ist, das heißt für alle   gilt  ,
  2. die Varianz endlich ist, das heißt für alle   gilt   und
  3. die Autokovarianz stabil gegenüber Verschiebungen ist, das heißt für alle   gilt  .

Hier bezeichnet   den Erwartungswert.   steht für eine beliebige Indexmenge (auf der eine binäre Operation   erklärt ist), meist die ganzen Zahlen, manchmal auch die natürlichen Zahlen oder die reellen Zahlen. Häufig wird mit   die Zeit modelliert.   bezeichnet die Varianz,   die Kovarianz.

InterpretationBearbeiten

Stationarität ist eine der bedeutendsten Eigenschaften stochastischer Prozesse in der Zeitreihenanalyse. Mit der Stationarität erhält man Eigenschaften, die nicht nur für einzelne Zeitpunkte gelten, sondern Invarianzen über die Zeit hinweg sind. Die Zeitreihe hat zu allen Zeitpunkten den gleichen Erwartungswert und die gleiche Varianz. (Die wichtigste Klasse von nichtstationären Prozessen sind integrierte Prozesse.)

Mit der ersten Eigenschaft kann man zu einem neuen Prozess   übergehen, für den dann   gilt. Dieser Prozess wird auch zentrierter Prozess genannt. Man kann also ohne Beschränkung der Allgemeinheit annehmen, ein stationärer stochastischer Prozess habe den Mittelwert 0.

Die zweite Eigenschaft sagt schlichtweg, dass jede der Zufallsvariablen endliche Varianz hat und somit zu dem Hilbertraum   gehört. Hieraus folgt dann auch, dass der Erwartungswert   existiert.

Die dritte Forderung stellt eine Beziehung zwischen den unterschiedlichen Zeitpunkten her und ist damit die bedeutendste Eigenschaft. Sie sagt aus, dass die Kovarianzen zwischen den Zeitpunkten nicht von den beiden Zeitpunkten selbst, sondern nur von dem Abstand   der beiden Zeitpunkte zueinander abhängt. Die Bedingung kann auch so formuliert werden, dass   eine Funktion nur einer einzigen Variablen   ist. Dies hat unter anderem zur Konsequenz, dass   eine unendliche Block-Toeplitz-Matrix ist.

Geometrische BedeutungBearbeiten

Die geometrische Interpretation des univariaten Falles ( ) greift auf den Hilbertraum   zurück, dessen Elemente die einzelnen Zufallsvariablen des Prozesses sind. Die geometrische Interpretation unterstützt das tiefere Verständnis des Begriffs der Stationarität.

Da   eine Norm in   ist, kann die Forderung   so verstanden werden, dass alle Prozessvariablen gleich lang sind, d. h. auf einer Kugel liegen.

  sagt dann, obiger Interpretation folgend, dass für festes   alle   den gleichen Winkel einschließen. Erhöht man   um Eins, so wird immer um denselben Winkel weitergedreht.

Forderung (ii) bedeutet nichts anderes als  , also der Winkel zwischen der Einheit und jeder Prozessvariablen ist konstant. Hier wird ein Breitengrad aus der Einheitskugel ausgeschnitten.

StationarisierungBearbeiten

Eine nichtstationäre Zeitreihe stationär zu machen ist eine wichtige erste Aufgabe bei der Zeitreihenanalyse. Weit verbreitete Methoden sind hier die Bildung von Differenzen, das Umskalieren oder das Logarithmieren der Zeitreihe. Allgemeiner kann man versuchen eine stationäre Zeitreihe zu erhalten, indem man ein geeignetes Trend-Saison-Modell verwendet.

BeispieleBearbeiten

Der wichtigste (schwach) stationäre Prozess ist das weiße Rauschen. Des Weiteren sind noch bestimmte Gauß-Prozesse und ARMA-Modelle stationär. Von theoretischer Bedeutung sind auch noch harmonische Prozesse, die unter gewissen Bedingungen stationär sind. Des Weiteren sind Markow-Ketten, die in ihrer stationären Verteilung starten, stationäre Prozesse.

EigenschaftenBearbeiten

Stationäre stochastische Prozesse in diskreter Zeit, die als kanonische Prozesse gegeben sind, lassen sich als maßerhaltendes dynamisches System auffassen. Dazu definiert man den Shift-Operator   als

 .

Dann ist   und der Prozess entsteht durch iterierte Anwendung von  . Somit handelt es sich um ein dynamisches System, das aufgrund der Stationarität maßerhaltend ist. Darauf aufbauend lassen sich auch ergodische stochastische Prozesse definieren, für die wichtige Sätze der Ergodentheorie wie beispielsweise der individuelle Ergodensatz gelten und damit starke Gesetze der großen Zahlen für abhängige Folgen von Zufallsvariablen liefern.

LiteraturBearbeiten

  • Peter J. Brockwell, Richard A. Davis: Time Series: Theory and Methods. Springer Verlag, Berlin 2002, ISBN 0387974296
  • G. E. P. Box, G. M. Jenkins: Times Series Analysis: Forecasting and Control. 3. Auflage, ISBN 0130607746

FußnoteBearbeiten

  1. nur 332 Google-Suchergebnisse, v. a. Uniskripte und Statistikbücher, verglichen mit ca. 149.000 teilweise vergleichbar hochwertigen Ergebnissen für schwach stationär. Im Englischen sind beide Begriffe etwa gleich populär, 2.360.000 vs. 2.870.000 Ergebnisse. Abgerufen am 27. Mai 2012, 01:38
  2. Kovarianzstationär wird manchmal auch so definiert, dass die Autokovarianz stabil gegenüber Verschiebungen in der Zeit ist und nicht unbedingt der Erwartungswert. Zum Beispiel Kirchgässner, u. a. Introduction to modern time series analysis, Springer 2013, S. 14. Sind Erwartungswert (mean stationarity) und Autokovarianz (covariance stationarity) stabil bei zeitlichen Verschiebungen wird das dort als schwache Stationarität (weak stationarity) definiert.