Autoregressives Modell
In diesem Beitrag
Was versteht man unter einem autoregressiven Modell?
Ein autoregressives Modell (kurz: AR-Modell) ist ein statistisches Zeitreihenmodell, bei dem der aktuelle Wert einer Variable durch ihre eigenen vergangenen Werte erklärt wird. Der Begriff „autoregressiv“ bedeutet wörtlich, dass die Variable auf sich selbst regressiert wird – also auf ihre eigene Vergangenheit.
Ein AR-Modell der Ordnung p – geschrieben als AR(p) – hat die folgende allgemeine Form:
Formel: AR(p)-Modell
Dabei ist der aktuelle Wert der Zeitreihe zum Zeitpunkt t, sind die autoregressiven Koeffizienten der vergangenen Werte, ist eine Konstante und ist ein Fehlerterm (auch White Noise genannt), der zum Zeitpunkt t zufällig auftritt und unkorreliert mit allen vergangenen Werten ist.
Die Ordnung p gibt an, wie viele vergangene Zeitpunkte zur Vorhersage des aktuellen Werts herangezogen werden. Ein AR(1)-Modell nutzt nur den unmittelbar vorherigen Wert, ein AR(2)-Modell die zwei vorherigen Werte und so weiter.
Warum ist das autoregressive Modell für statistische Analysen wichtig?
AR-Modelle gehören zu den grundlegendsten Werkzeugen der Zeitreihenanalyse. Sie kommen immer dann zum Einsatz, wenn Messwerte in einer zeitlichen Reihenfolge vorliegen und die Werte voneinander abhängig sind – also wenn die Vergangenheit systematisch die Gegenwart beeinflusst. Typische Anwendungsgebiete sind:
- Wirtschafts- und Finanzstatistik (z. B. Aktienkurse, BIP-Wachstum)
- Meteorologie (z. B. Temperatur- oder Niederschlagsvorhersagen)
- Psychologie und Neurowissenschaften (z. B. Analyse von EEG-Signalen)
- Ingenieurwesen und Signalverarbeitung
Ein zentrales Konzept dabei ist die Stationarität: Ein AR-Modell liefert nur dann zuverlässige Schätzungen, wenn die analysierte Zeitreihe stationär ist, also wenn Mittelwert und Varianz über die Zeit konstant bleiben. Nicht-stationäre Zeitreihen müssen vor der Modellierung in der Regel transformiert werden, etwa durch Differenzbildung.
AR-Modelle bilden außerdem die Grundlage für komplexere Modellklassen. Das bekannteste Beispiel ist das ARIMA-Modell (Autoregressive Integrated Moving Average), das AR-Terme mit Differenzierung und Moving-Average-Termen kombiniert und besonders in der Ökonometrie und Prognoseforschung verbreitet ist.
Praxisbeispiel zu autoregressiven Modellen
Angenommen, du analysierst den monatlichen Umsatz eines Unternehmens über drei Jahre und vermutest, dass der Umsatz im aktuellen Monat stark vom Umsatz des Vormonats abhängt. Du entscheidest dich für ein AR(1)-Modell:
Beispielmodell: AR(1)
Nach der Schätzung des Modells erhältst du etwa folgende Ergebnisse:
| Parameter | Schätzwert | Interpretation |
|---|---|---|
| Konstante | 12.000 € | Grundlevel des Umsatzes unabhängig von der Vergangenheit |
| Koeffizient | 0,72 | 72 % des Vormonatsumsatzes fließen in die Prognose ein |
War der Umsatz im Vormonat beispielsweise 80.000 €, lautet die Prognose für den aktuellen Monat:
Beispielrechnung
Der vorhergesagte Umsatz beträgt also 69.600 €. Der tatsächliche Wert weicht davon durch den Zufallsfehler ab. Dieses einfache Beispiel zeigt, wie AR-Modelle strukturierte Abhängigkeiten in Zeitreihen nutzbar machen, um fundierte Prognosen zu erstellen.
