Wie führt man eine Zeitreihenanalyse in Gretl durch?

Eine Zeitreihenanalyse in Gretl beginnt nicht mit dem ersten Regressionsbefehl, sondern mit einer korrekten Datensatzstruktur. Sobald Gretl weiß, dass es sich um Zeitreihendaten handelt, schaltet die Software automatisch die passenden Analysewerkzeuge frei – von ADF-Tests über ARIMA bis hin zu VAR-Modellen. Dieser Artikel führt Sie Schritt für Schritt durch den gesamten Prozess.

Datensatz als Zeitreihe in Gretl definieren

Bevor Sie mit der eigentlichen Analyse beginnen, muss Gretl die Struktur Ihrer Daten kennen. Bei vielen Dateiformaten erkennt die Software die Zeitstruktur automatisch – vorausgesetzt, die erste Spalte enthält ein lesbares Datumsformat.

Gelingt die automatische Erkennung nicht – etwa bei manuell erstellten Excel-Tabellen ohne standardisierte Datumsspalte – legen Sie die Struktur manuell fest. Der Weg dazu:

1. Daten importieren über Datei → Daten öffnen
2. Daten → Datensatzstruktur wählen
3. Im Dialog die Option Zeitreihe auswählen
4. Frequenz (z. B. jährlich, quartalsweise, monatlich) und Startbeobachtung festlegen

Nach diesem Schritt zeigt Gretl in der Statusleiste die erkannte Frequenz an, zum Beispiel Jährliche Daten, T = 40. Erst dann stehen zeitreihenspezifische Menüpunkte wie Korrelogramm oder Unit-Root-Tests vollständig zur Verfügung.

Stationarität prüfen: Der ADF-Test in Gretl

Die meisten Zeitreihenmodelle setzen Stationarität voraus – das heißt, Mittelwert und Varianz der Reihe ändern sich über die Zeit nicht systematisch. Bevor Sie also ein ARIMA-Modell schätzen oder eine Regression über Zeitreihen laufen lassen, prüfen Sie zunächst auf eine sogenannte Unit Root.

ADF-Test über das Menü

Klicken Sie die zu prüfende Variable in der Variablenliste mit der rechten Maustaste an und wählen Sie Zeitreihe-Tests → Augmented Dickey-Fuller-Test. Alternativ gehen Sie über Variable → Zeitreihe-Tests → ADF.

Im erscheinenden Dialog legen Sie fest:

• Anzahl der Lags (oder automatische Auswahl per AIC/BIC)
• Deterministische Terme: ohne Konstante, mit Konstante, mit Konstante und Trend
• Optional: GLS-Detrending nach Elliott, Rothenberg und Stock für höhere Teststärke

ADF-Test per Skript

Wer reproduzierbare Ergebnisse braucht oder mehrere Variablen effizient testen möchte, verwendet die Gretl-Skriptsprache. Die Gretl Command Reference empfiehlt für eine robuste Stationaritätsprüfung die Kombination aus GLS-Demeaning und datengetriebener Lag-Auswahl:

# ADF-Test mit Konstante, GLS-Detrending und automatischer Lag-Wahl
adf -1 y --c --gls --test-down

# Bei Verdacht auf linearen Trend: --ct statt --c verwenden
adf -1 y --ct --gls --test-down

Die Option -1 weist Gretl an, die Lag-Anzahl automatisch zu bestimmen. Die Nullhypothese des ADF-Tests lautet, dass die Variable eine Unit Root besitzt – also nicht stationär ist. Wird die Nullhypothese nicht verworfen, differenzieren Sie die Reihe und testen erneut.

In Gretl erzeugen Sie die erste Differenz mit series dy = diff(y) im Skript oder über Hinzufügen → Erste Differenzen der gewählten Variablen im Menü.

ACF und PACF als Werkzeuge zur Modellwahl

Haben Sie Stationarität sichergestellt, hilft das Korrelogramm bei der Entscheidung, welches Modell in Frage kommt. Gretl zeigt ACF (Autokorrelationsfunktion) und PACF (partielle Autokorrelationsfunktion) grafisch an.

Den Weg dorthin finden Sie unter Variable → Korrelogramm oder per Rechtsklick auf die Variable und Korrelogramm anzeigen. Die grafische Ausgabe zeigt Balken für jede Lag-Stufe samt Konfidenzband.

Ergänzend lässt sich der Ljung-Box-Q-Test nutzen, um zu prüfen, ob Autokorrelationen als Gruppe statistisch signifikant sind. In Gretl ist dieser Test über Variable → Zeitreihe-Tests → Ljung-Box abrufbar.

ARIMA- und GARCH-Modelle schätzen

ARIMA

Sobald Sie die Ordnung (p, d, q) bestimmt haben, schätzen Sie das Modell über Modell → Zeitreihe → ARIMA. Im Dialog geben Sie die drei Parameter ein und wählen die abhängige Variable. Alternativ im Skript:

# ARIMA(1,1,1) für Variable y
arima 1 1 1 ; y

# Mit saisonaler Komponente: SARIMA(1,1,1)(0,1,1) bei Quartalsdaten
arima 1 1 1 ; 1 1 1 ; y

Gretl gibt nach der Schätzung automatisch Informationskriterien (AIC, BIC) aus, anhand derer Sie konkurrierende Modellspezifikationen vergleichen können. Ein niedrigerer Wert spricht für ein besser geeignetes Modell.

GARCH für volatilitätsbehaftete Reihen

Bei Finanz- oder Wirtschaftszeitreihen mit schwankender Volatilität – sogenannten Volatilitätsclustern – ist ein GARCH-Modell oft angemessener als ein reines ARIMA. Gretl schätzt GARCH-Modelle über Modell → Zeitreihe → GARCH oder per Skript:

# GARCH(1,1) für Renditen-Variable r
garch 1 1 ; r

Für Fragestellungen mit mehreren verknüpften Zeitreihen bietet Gretl außerdem VAR- und VECM-Modelle an. Die Schätzung eines VAR-Modells funktioniert über Modell → Zeitreihe → VAR. Wer tiefer in die multivariate Zeitreihenanalyse einsteigen möchte, findet im Bereich der Gretl-Statistikberatung methodische Unterstützung bei Modellwahl und Interpretation.

Kointegrationstest für mehrere Zeitreihen

Wenn zwei oder mehr nicht-stationäre Zeitreihen eine langfristige Gleichgewichtsbeziehung aufweisen, spricht man von Kointegration. Das ist wirtschaftlich besonders relevant – etwa wenn man prüft, ob BIP und Konsum langfristig zusammenlaufen.

Gretl bietet für diesen Fall den Engle-Granger-Test, der in drei Schritten vorgeht:

1. ADF-Test für jede einzelne Variable (Unit-Root-Prüfung)
2. Schätzung der Kointegrationsregression
3. ADF-Test der Residuen aus dieser Regression

Der entsprechende Befehl in Gretl lautet coint. Laut der offiziellen Befehlsreferenz führt Gretl diese drei Schritte beim Aufruf von coint automatisch durch und gibt die Ergebnisse gebündelt aus.

# Engle-Granger-Kointegrationstest für y und x
coint 2 y x

Die Zahl nach coint gibt die Anzahl der Lags im ADF-Test an. Wird Kointegration bestätigt, ist ein Fehlerkorrekturmodell (VECM) das geeignete Folgemodell – ebenfalls direkt in Gretl verfügbar.

Saisonalität und X-13ARIMA-SEATS

Viele wirtschaftliche und soziale Zeitreihen weisen saisonale Muster auf – Einzelhandelsumsätze steigen im Dezember, Arbeitslosigkeit sinkt im Frühjahr. Bevor Sie solche Reihen modellieren, ist eine saisonale Bereinigung oft notwendig.

Gretl kann dafür mit X-13ARIMA-SEATS zusammenarbeiten. Dabei handelt es sich um ein etabliertes Programm für saisonale Anpassung, das vom U.S. Census Bureau bereitgestellt wird und X-12-ARIMA mit der SEATS-Methode kombiniert. Es kommt weltweit in der amtlichen Statistik zum Einsatz.

Um X-13 in Gretl zu nutzen, müssen Sie das Programm separat installieren. Gretl übersetzt dann ARIMA-Befehle automatisch in ein Format, das X-13 versteht, und gibt die bereinigten Reihen zurück. Den Einstieg finden Sie über Variable → Saisonale Bereinigung, sobald X-13 korrekt eingebunden ist.

Gretl unterstützt bei Zeitreihendaten auch direkt saisonale ARIMA-Modelle (SARIMA), ohne zwingend auf X-13 zurückgreifen zu müssen. Für einfachere Fälle reicht die eingebaute ARIMA-Schätzung mit saisonaler Komponente völlig aus.

Typische Fehler und praktische Hinweise

In der Praxis treten bei Zeitreihenanalysen in Gretl immer wieder dieselben Stolpersteine auf. Wer diese kennt, spart viel Zeit.

• Datensatzstruktur zuerst prüfen: Gretl muss die Zeitstruktur kennen, bevor zeitreihenspezifische Tests verfügbar sind.
• ADF-Optionen bewusst wählen: Die Wahl zwischen Modellen ohne Konstante, mit Konstante oder mit Trend beeinflusst das Testergebnis erheblich. Orientieren Sie sich an der grafischen Inspektion der Reihe.
• Modelle anhand von AIC/BIC vergleichen: Verlassen Sie sich nicht auf einen einzigen Modellvorschlag aus dem Korrelogramm – schätzen Sie mehrere Varianten und vergleichen Sie die Informationskriterien.
• Residualdiagnostik nicht vergessen: Nach der Schätzung prüfen Sie, ob die Residuen weißes Rauschen sind – über ACF der Residuen und den Ljung-Box-Test.
• Skripte nutzen: Für längere Analysen lohnt es sich, alle Schritte in einem Gretl-Skript festzuhalten. Das macht die Analyse reproduzierbar und erleichtert die Dokumentation im Anhang der Abschlussarbeit.

Wer sich von Gretl auf andere Softwareoptionen orientieren möchte, findet im Artikel zu den Unterschieden zwischen Gretl und Stata eine strukturierte Gegenüberstellung beider Plattformen für ökonometrische Analysen. Wer zusätzlich Regressionsmodelle in Gretl schätzt, findet in unserem Beitrag zur Regressionsanalyse in Gretl eine ergänzende Schritt-für-Schritt-Anleitung.

Zeitreihenanalysen sind methodisch anspruchsvoll – die Auswahl des richtigen Modells, die Interpretation von Unit-Root-Tests und die Diagnostik der Residuen erfordern ein solides Verständnis der zugrunde liegenden Theorie. Falls Sie bei Ihrer Abschlussarbeit oder Dissertation an diesem Punkt Unterstützung benötigen, bietet QuantExpert erfahrene Statistikerinnen und Statistiker, die Sie bei der methodischen Begleitung Ihrer Gretl-Auswertung unterstützen.