Stationary And Non Stationary Time Series

Kennst du das? Du stehst vor deinem überquellenden Kleiderschrank und denkst: "Ich hab' nichts anzuziehen!" Obwohl da gefühlt Klamotten für drei Leben drin sind. Ähnlich geht's mir manchmal mit Zeitreihen. Da habe ich Daten über alles Mögliche – Aktienkurse, Verkaufszahlen, Wetterdaten – aber keine Ahnung, was ich eigentlich damit anfangen soll. Das Problem? Oft liegt's daran, dass ich nicht weiß, ob die Zeitreihe stationär oder nicht-stationär ist. Klingt erstmal kompliziert, ist es aber gar nicht, versprochen!

Was bedeutet eigentlich "stationär"?

Stell dir vor, du wirfst einen Würfel. Immer und immer wieder. Im Idealfall ist die Wahrscheinlichkeit für jede Zahl (1 bis 6) gleich. Der Mittelwert der Würfe bleibt also im Laufe der Zeit relativ konstant. Das ist im Prinzip eine stationäre Zeitreihe! Sie schwingt vielleicht ein bisschen, aber ihre statistischen Eigenschaften (Mittelwert, Varianz) ändern sich nicht großartig über die Zeit. Langweilig? Vielleicht. Aber super hilfreich für Prognosen!

Eine stationäre Zeitreihe ist also quasi ein verlässlicher Freund: Du weißt, was du von ihm erwarten kannst. Kurz gesagt: Ihre Eigenschaften sind zeitlich konstant.

Side Comment: Denk dran, wir reden hier von der Wahrscheinlichkeit, nicht von jedem einzelnen Wurf! Natürlich kann es passieren, dass du dreimal hintereinander eine Sechs würfelst. Aber langfristig gesehen gleichen sich die Wahrscheinlichkeiten aus.

Und was ist "nicht-stationär"?

Jetzt stell dir vor, der Würfel ist gezinkt. Plötzlich fällt die Sechs viel häufiger als die anderen Zahlen. Der Mittelwert der Würfe steigt im Laufe der Zeit. Das ist eine nicht-stationäre Zeitreihe! Ihre statistischen Eigenschaften ändern sich mit der Zeit. Der Mittelwert kann einen Trend aufweisen (steigt oder fällt), die Varianz kann sich verändern (wird größer oder kleiner).

Nicht-stationäre Zeitreihen sind wie unberechenbare Mitbewohner: Du weißt nie, was dich erwartet! Wichtig: Die meisten "echten" Zeitreihen, die wir in der Praxis finden, sind nicht-stationär. Aktienkurse tendieren (zumindest langfristig) dazu, zu steigen. Verkaufszahlen können saisonale Muster aufweisen. Das Wetter ist auch alles andere als konstant!

Side Comment: Keine Panik! Nur weil eine Zeitreihe nicht-stationär ist, heißt das nicht, dass du sie nicht analysieren kannst. Es gibt Tricks, um sie "stationär zu machen" (dazu später mehr!).

Warum ist die Unterscheidung wichtig?

Wenn du eine Zeitreihe analysieren willst, ist es entscheidend zu wissen, ob sie stationär ist oder nicht. Viele statistische Modelle, die für Zeitreihenprognosen verwendet werden, setzen Stationarität voraus. Wenn du diese Modelle auf nicht-stationäre Daten anwendest, bekommst du Murks raus! Denk an den gezinkten Würfel: Wenn du versuchst, die Wahrscheinlichkeit für eine Sechs anhand der Annahme eines fairen Würfels zu berechnen, liegst du total daneben.

Konkret bedeutet das: Wenn du eine nicht-stationäre Zeitreihe fälschlicherweise als stationär behandelst, kannst du zu falschen Schlussfolgerungen kommen und schlechte Prognosen erstellen. Stell dir vor, du kaufst Aktien, weil du denkst, der Kurs ist stabil, obwohl er in Wirklichkeit ständig steigt. Das könnte teuer werden!

Was tun mit nicht-stationären Zeitreihen?

Okay, die meisten Zeitreihen sind also nicht-stationär. Heißt das, wir können sie gar nicht analysieren? Natürlich nicht! Es gibt verschiedene Techniken, um sie zu "stationarisieren".

• Differenzbildung: Eine der häufigsten Methoden. Dabei bildest du die Differenz zwischen aufeinanderfolgenden Werten der Zeitreihe. Das kann Trend-Effekte eliminieren. (Also: Wert heute minus Wert gestern.)
• Transformationen: Manchmal hilft es, die Daten zu transformieren, z.B. durch Logarithmieren. Das kann die Varianz stabilisieren.
• Saisonale Zerlegung: Wenn die Zeitreihe saisonale Muster aufweist (z.B. steigende Eisverkäufe im Sommer), kannst du diese Muster herausrechnen.

Side Comment: Das ist wie beim Kochen: Manchmal musst du die Zutaten erst richtig vorbereiten, bevor du ein leckeres Gericht zaubern kannst!

Fazit

Das Konzept von stationären und nicht-stationären Zeitreihen ist grundlegend für die Zeitreihenanalyse. Merke dir: Stationäre Zeitreihen haben konstante statistische Eigenschaften. Nicht-stationäre Zeitreihen nicht. Viele Modelle setzen Stationarität voraus. Nicht-stationäre Zeitreihen müssen oft erst stationär gemacht werden, bevor du sie analysieren kannst.

Und jetzt: Ran an die Daten und viel Spaß beim Analysieren! Vielleicht entdeckst du ja den nächsten großen Trend – oder zumindest, wann du am besten Eis verkaufen solltest. 😉