Zeitreihenanalyse

Was versteht man unter Zeitreihenanalyse?

Eine Zeitreihe ist eine geordnete Folge von Messwerten, die zu aufeinanderfolgenden, gleichmäßig verteilten Zeitpunkten erhoben werden – zum Beispiel monatliche Umsatzzahlen, tägliche Temperaturmessungen oder jährliche Bevölkerungszahlen. Die Zeitreihenanalyse bezeichnet eine Sammlung statistischer Methoden, mit denen solche Daten untersucht, beschrieben und modelliert werden, um Muster zu erkennen und zukünftige Werte vorherzusagen.

Im Kern werden dabei vier Komponenten einer Zeitreihe unterschieden:

• Trend (T): Die langfristige Richtung der Daten – steigt die Reihe über die Zeit an, fällt sie oder bleibt sie stabil?
• Saisonalität (S): Regelmäßig wiederkehrende Schwankungen innerhalb eines festen Zeitrahmens, z. B. erhöhte Einzelhandelsumsätze im Dezember.
• Zyklische Komponente (C): Längerfristige, nicht streng periodische Schwankungen, etwa konjunkturelle Auf- und Abschwünge.
• Irreguläre Komponente / Residuum (I): Zufällige, nicht erklärbare Reststreuung.

Diese Komponenten können additiv () oder multiplikativ () verknüpft sein, je nachdem ob die Schwankungsbreite mit dem Trendniveau wächst oder konstant bleibt.

Warum ist Zeitreihenanalyse für statistische Analysen wichtig?

In vielen wissenschaftlichen und wirtschaftlichen Anwendungen liegen Daten nicht als unabhängige Einzelbeobachtungen vor, sondern als zeitlich geordnete Sequenzen. Klassische statistische Verfahren – etwa lineare Regression – setzen voraus, dass die Beobachtungen unabhängig voneinander sind. Bei Zeitreihendaten ist diese Annahme häufig verletzt: Ein Wert hängt oft stark vom vorangegangenen Wert ab. Man spricht von Autokorrelation. Ignoriert man das, liefern Standardmethoden verzerrte Ergebnisse und falsche Schlüsse.

Die Zeitreihenanalyse stellt deshalb spezialisierte Modelle bereit, darunter:

• ARIMA-Modelle (Autoregressive Integrated Moving Average): Berücksichtigen Autokorrelation und Trends in der Datenstruktur.
• Exponentielle Glättung: Gewichtet ältere Beobachtungen weniger stark als neuere – nützlich für kurzfristige Prognosen.
• Spektralanalyse: Zerlegt eine Zeitreihe in ihre Frequenzanteile und macht verborgene Periodizitäten sichtbar.

Ein weiterer wichtiger Begriff ist die Stationarität: Eine Zeitreihe heißt (schwach) stationär, wenn Mittelwert und Varianz über die Zeit konstant sind und die Autokorrelationsstruktur nur vom zeitlichen Abstand der Beobachtungen, nicht vom absoluten Zeitpunkt abhängt. Viele Modelle setzen Stationarität voraus – ist sie nicht gegeben, kann durch Differenzbildung oder Transformation (z. B. Logarithmierung) oft Abhilfe geschaffen werden.

Praxisbeispiel zu Zeitreihenanalyse

Eine Forscherin untersucht die monatlichen Durchschnittstemperaturen einer deutschen Stadt über zehn Jahre (120 Beobachtungen). Sie möchte wissen, ob sich ein langfristiger Erwärmungstrend zeigt und wie gut sich die Temperaturen der nächsten sechs Monate vorhersagen lassen.

Ihr Vorgehen Schritt für Schritt:

1. Visualisierung: Ein Liniendiagramm zeigt deutliche jährliche Schwankungen (kalt im Winter, warm im Sommer) – ein klares Zeichen für Saisonalität.
2. Komponentenzerlegung: Mithilfe einer additiven Zerlegung trennt sie Trend, Saisonalität und Residuum. Der Trend zeigt einen leichten, aber stetigen Anstieg über die zehn Jahre.
3. Stationaritätsprüfung: Der ADF-Test ergibt, dass die Reihe nach saisonaler Differenzbildung stationär ist.
4. Modellierung: Sie passt ein saisonales ARIMA-Modell (SARIMA) an, das sowohl den Trend als auch die Saisonalität berücksichtigt.
5. Prognose: Das Modell liefert Schätzwerte für die nächsten sechs Monate inklusive Konfidenzintervallen, die die Unsicherheit der Vorhersage quantifizieren.