Seminar R – Zeitreihenanalyse und Prognosen

Seminarbeschreibung

Zeitreihendaten besitzen eine Ordnung, die bei Vorbereitung und Modellprüfung erhalten bleiben muss. Das Seminar verbindet die fachliche Betrachtung von Trend, Saisonalität und Datenlücken mit der praktischen Umsetzung in R. Ein belastbares Prognoseverfahren wird dabei stets mit einer einfachen Vergleichsmethode und einem passenden Vorhersagehorizont beurteilt.

An monatlichen oder wöchentlichen Betriebsdaten entsteht ein vollständiger Prognoseablauf. Verschiedene Modelle werden auf zeitlich späteren Beobachtungen verglichen, deren Werte bei der Entwicklung noch nicht verwendet wurden. Strukturbrüche, Sonderereignisse und unsichere Einflussgrößen werden als Grenzen der Prognostizierbarkeit behandelt. Finanzhandel und individuelle Anlageentscheidungen sind kein Bestandteil des Seminars.

Zielgruppe

Fachkräfte aus Absatz- und Ressourcenplanung, Controlling, Betriebsanalyse und Forschung mit R- und Statistikkenntnissen.

Voraussetzungen

Sicherer Umgang mit R, dplyr und ggplot2. Verständnis von Regression, Residuen, Unsicherheitsintervallen und Fehlermaßen. Vorkenntnisse entsprechend dem Regressionsseminar oder gleichwertige Praxis.

Lernziele

• Zeitindizes, Beobachtungsintervalle und Lücken fachlich korrekt vorbereiten.
• Trend und Saisonalität untersuchen und geeignete Baselines definieren.
• ETS- und ARIMA-Modelle schätzen und diagnostisch prüfen.
• Prognosen mit zeitgerechtem Backtesting sowie passenden Horizonten und Metriken bewerten.

Inhaltsübersicht

1. Zeitstruktur und Datenqualität
2. Exploration und Vergleichsmodelle
3. Exponentielle Glättung
4. ARIMA-Modelle
5. Backtesting und Prognosegüte
6. Unsicherheit und wiederkehrende Prognosen

Seminarinhalte

Zeitstruktur und Datenqualität

Die Struktur einer Zeitreihe wird vor jeder Modellierung geprüft.

• Zeitindex und Schlüssel mit tsibble abbilden; Regelmäßigkeit und doppelte Zeitpunkte prüfen.
• Explizite fehlende Werte und vollständig fehlende Zeitpunkte unterscheiden.
• Aggregation, Kalenderbezug und Behandlung von Datenlücken fachlich begründen.

Exploration und Vergleichsmodelle

Muster und einfache Alternativen bilden den Ausgangspunkt.

• Zeitverläufe, saisonale Ansichten und Autokorrelation untersuchen.
• Trend, Saisonalität und Restkomponente mithilfe einer Zerlegung einordnen.
• Naive und saisonal naive Prognosen als Vergleichsbasis aufbauen.

Exponentielle Glättung

ETS-Modelle werden entsprechend der Struktur der Reihe eingesetzt.

• Niveau, Trend und saisonale Komponenten verstehen.
• Modelle mit fable schätzen und Auswahlkriterien kritisch einordnen.
• Residuen untersuchen und Punktprognosen mit Intervallen ausgeben.

ARIMA-Modelle

Autokorrelation wird als Bestandteil eines Prognosemodells berücksichtigt.

• Stationarität und Differenzierung an praktischen Beispielen erklären.
• AR-, MA- und saisonale Komponenten einordnen; automatische Auswahl kontrollieren.
• Modellannahmen, Residuen und Grenzen kurzer Reihen beurteilen.

Backtesting und Prognosegüte

Die Bewertung respektiert die zeitliche Reihenfolge.

• Trainings- und Prüfperioden chronologisch trennen.
• Rollierende Prognoseursprünge mit fachlich passenden Horizonten verwenden.
• MAE, RMSE und skalierte Fehler vergleichen; problematische Prozentfehler bei Nullwerten erkennen.

Unsicherheit und wiederkehrende Prognosen

Prognosen werden mit ihren Annahmen und Einsatzgrenzen bereitgestellt.

• Prognoseintervalle von Konfidenzintervallen für Modellparameter unterscheiden.
• Sonderereignisse, Strukturbrüche und unbekannte künftige Einflussgrößen berücksichtigen.
• Einen aktualisierbaren Lauf mit Diagnosegrafiken und dokumentierter Modellentscheidung erstellen.

Praxisprojekt

1. Monatliche Auslastungsdaten als tsibble vorbereiten und Lücken prüfen.
2. Saisonale Muster untersuchen und eine einfache Vergleichsprognose aufbauen.
3. ETS- und ARIMA-Modelle schätzen und Residuen kontrollieren.
4. Mehrere Prognoseursprünge mit identischem Horizont auswerten.
5. Eine Prognosetabelle mit Intervallen erzeugen und nach Ergänzung neuer Perioden aktualisieren.