Zeitreihenprognosen: Online-Quiz für Studierende der Betriebswirtschaftslehre

Question 1

Was ist ein Residuum?

Accepted Answer

Die Differenz zwischen dem beobachteten und dem prognostizierten Wert

Answer

Der Betrag des Fehlers in einer Prognose

Question 2

Welche Methode zur Zeitreihenprognose verwendet eine gewichtete Summe vergangener Beobachtungen und eignet sich besonders für Trendreihen?

Accepted Answer

Exponentielle Glättung

Answer

ARIMA-Modelle

Answer

Trendextrapolation

Answer

Regression

Question 3

Welche ARIMA-Modellkomponente erfasst den Einfluss vergangener Fehlerterme auf die aktuelle Beobachtung?

Accepted Answer

MA

Answer

AR

Answer

I

Answer

ARMA

Question 4

Was bewirkt der Differenzoperator in ARIMA-Modellen?

Accepted Answer

Verringern der Autokorrelation

Answer

Entfernen von Saisonalität

Answer

Eliminieren von Trends

Answer

Erhöhen der Varianz

Question 5

Was ist das Hauptmerkmal einer stationären Zeitreihe?

Accepted Answer

Konstante Mittelwert und Varianz über die Zeit

Answer

Ausgeprägter Trend im Zeitverlauf

Answer

Nichtlineare Beziehungen zwischen Beobachtungen

Answer

Zufällige Schwankungen ohne erkennbares Muster

Question 6

Welche der folgenden Aussagen über ARIMA-Modelle ist korrekt?

Accepted Answer

Sie erfordern immer eine stationäre Zeitreihe.

Answer

Sie können nicht-lineare Effekte berücksichtigen.

Answer

Sie sind deterministische Prognosemodelle.

Answer

Sie sind immer genauer als andere Zeitreihenprognosemethoden.

Question 7

Welche Hauptunterschiede bestehen zwischen Trend- und Saisonalitätsanalysemethoden in der Zeitreihenanalyse?

Accepted Answer

Trendanalysemethoden identifizieren langfristige Trends, während Saisonalitätsanalysemethoden saisonale Schwankungen erfassen.

Answer

Saisonalitätsanalysemethoden sind in der Regel komplexer als Trendanalysemethoden.

Answer

Sowohl Trend- als auch Saisonalitätsanalysemethoden können auf alle Arten von Zeitreihen angewendet werden.

Question 8

Verbesserte Fassung: Für welche Art von Zeitreihen ist eine AR-Prognosemethode geeignet?

Accepted Answer

AR-Modell

Answer

Exponentielle Glättung

Answer

MA-Modell

Answer

ARIMA-Modell

Question 9

Verbesserte Fassung: Welche Art von Zeitreihe zeichnet sich durch einen konstanten Mittelwert ohne Saisonalität aus?

Accepted Answer

Stationäre Zeitreihe

Answer

Nicht-stationäre Zeitreihe

Answer

Saisonale Zeitreihe

Answer

Trendzeitreihe

Question 10

Welche Methode der Zeitreihenprognose verwendet eine exponentiell gewichtete Summe vergangener Werte?

Accepted Answer

Exponentielle Glättung

Answer

Saisonale Zerlegung von Zeitreihen

Answer

Regressionsanalyse

Answer

ARIMA

Question 11

Welches Kriterium ist für die Auswahl eines geeigneten ARIMA-Modells entscheidend?

Accepted Answer

Autokorrelations- und partielle Autokorrelationsfunktionen

Answer

Trend- und Saisonkomponenten

Answer

Mittelwert und Standardabweichung der Zeitreihe

Question 12

Welche Komponenten werden typischerweise in einer additiven Zeitreihenzerlegung berücksichtigt?

Accepted Answer

Trend, Saisonkomponente und Residuen

Answer

Saisonkomponente, Zyklen und Residuen

Answer

Trend, Saisonkomponente und Rauschen

Answer

Trend, Zyklen und Residuen

Question 13

Welches Maß wird zur Beurteilung der Genauigkeit einer Zeitreihenprognose herangezogen?

Accepted Answer

Mittlerer absoluter Fehler (MAE)

Answer

Chi-Quadrat-Test

Answer

T-Test

Answer

Korrelationskoeffizient

Question 14

Welche Annahme ist eine Grundvoraussetzung für ARIMA-Modelle?

Accepted Answer

Stationarität

Answer

Unkorrelierte Residuen

Answer

Normalverteilung

Answer

Linearität

Question 15

Welcher Schritt ist bei der saisonalen Zerlegung von Zeitreihen nicht erforderlich?

Accepted Answer

Differenzierung der Zeitreihe

Answer

Berechnung der saisonalen Indizes

Answer

Berechnung des gleitenden Mittelwerts der saisonalen Indizes

Answer

Berechnung der Residuen

Question 16

Welcher Faktor kann die Genauigkeit einer Zeitreihenprognose erhöhen?

Accepted Answer

Hinzufügen von erklärenden Variablen

Answer

Anwenden einer einfacheren Prognoseverfahren

Answer

Ignorieren von Ausreißern

Answer

Verwenden einer kürzeren Prognoseperiode

Question 17

Welche Komponente ist **Teil** eines ARIMA-Modells?

Accepted Answer

Autoregressive Term (AR)

Answer

Prognoseintervall

Answer

Mittelwert

Answer

Standardabweichung

Question 18

Wann sollte eine ARIMA-Prognose einem gleitenden Mittelwert **vorgezogen** werden?

Accepted Answer

Wenn die Zeitreihe **saisonale** oder **trendartige** Muster aufweist.

Answer

Wenn die Zeitreihe **stationär** ist.

Answer

Wenn die Zeitreihe **nur wenige** Datenpunkte enthält.

Question 19

Welches ist der Zweck eines Prognoseintervalls?

Accepted Answer

Angabe der **Unsicherheit** der Prognose

Answer

Berechnung der Prognosegenauigkeit

Answer

Schätzung des **zukünftigen** Mittelwerts

Answer

Vorhersage **extremer** Werte

Question 20

Was ist eine **stationäre** Zeitreihe?

Accepted Answer

Eine Zeitreihe, deren Mittelwert, Varianz und Autokovarianz im Zeitverlauf **konstant** sind.

Answer

Eine Zeitreihe, die einen **klaren Trend** aufweist.

Answer

Eine Zeitreihe, die **zufällig** schwankt.

Question 21

Welche Branche nutzt häufig Zeitreihenprognosen?

Accepted Answer

**Einzelhandel**

Answer

Rechtswesen

Answer

Bildung

Answer

Gesundheitswesen

Question 22

Welche der folgenden Aussagen trifft auf exponentielle Glättung zu?

Accepted Answer

Sie verwendet einen gewichteten Durchschnitt vergangener Werte, wobei die Gewichte exponentiell mit zunehmendem Alter abnehmen.

Answer

Sie ist eine lineare Methode, die eine gerade Linie zur Darstellung von Zeitreihen verwendet.

Question 23

Welches der folgenden Kriterien wird verwendet, um die optimale Glättungskonstante für die exponentielle Glättung auszuwählen?

Accepted Answer

Minimierung des mittleren absoluten Fehlers (MAE).

Answer

Maximierung des Bestimmtheitsmaßes (R²).

Answer

Verwendung der kleinstmöglichen Glättungskonstante.

Question 24

Welche der folgenden Zeitreihenmodelle ist am besten geeignet für Zeitreihen mit stark ausgeprägter Saisonalität?

Accepted Answer

SARIMA-Modell

Answer

Exponentielles Glättungsmodell

Answer

Lineares Regressionsmodell

Answer

ARIMA-Modell

Question 25

Was ist ein Vorteil der Verwendung von Zeitreihenprognosen?

Accepted Answer

Ermöglichen eine fundierte Entscheidungsfindung durch Bereitstellung von Einblicken in zukünftige Trends und Ereignisse.

Answer

Sie garantieren eine genaue Vorhersage der Zukunft.

Answer

Sie sind einfach zu erstellen und erfordern keine Fachkenntnisse.

Question 26

Welche der folgenden Überlegungen sind bei der Bewertung der Genauigkeit einer Zeitreihenprognose wichtig?

Accepted Answer

Mean Absolute Percentage Error (MAPE) und Mean Absolute Error (MAE) sowie weitere geeignete Kennzahlen.

Answer

Nur die Anzahl der korrekten Prognosen.

Answer

Nur das Bestimmtheitsmaß (R²).

Question 27

Welche ethische Überlegung ist bei der Verwendung von Zeitreihenprognosen zu beachten?

Accepted Answer

Vermeiden, Vorurteile oder Diskriminierung in den Prognosen zu verewigen.

Answer

Nur die Verwendung von Datenquellen mit hoher Qualität.

Answer

Nur die Verwendung von Prognosen für kurzfristige Vorhersagen.

Question 28

Welche der folgenden Branchen kann stark von Zeitreihenprognosen profitieren?

Accepted Answer

Supply-Chain-Management, Fertigung, Finanzwesen, Gesundheitswesen und viele weitere.

Answer

Nur die Gesundheitsbranche.

Answer

Nur die Fertigungsindustrie.

Answer

Nur die Finanzbranche.

Question 29

Welche der folgenden Annahmen wird bei der exponentiellen Glättung getroffen?

Accepted Answer

Die Zeitreihe weist eine Konstante oder einen Trend auf.

Answer

Die Zeitreihe weist einen periodischen Verlauf auf.

Answer

Die Zeitreihe ist stationär.

Question 30

Welche der folgenden Aussagen zum Hurst-Exponenten ist korrekt?

Accepted Answer

Er misst die Selbstähnlichkeit einer Zeitreihe.

Answer

Er ist immer größer als eins.

Answer

Er gibt die Periodendauer einer Zeitreihe an.

Answer

Er ist eine Zufallsvariable.

Question 31

Welches der folgenden Kriterien wird bei der Auswahl einer Zeitreihenprognosemethode berücksichtigt?

Accepted Answer

Datenverfügbarkeit

Answer

Zukünftige Erwartungen

Answer

Politische Stabilität

Answer

Persönliche Vorlieben

Question 32

Welche der folgenden Aussagen zur Zeitreihenanalyse ist korrekt?

Accepted Answer

Sie hilft, Muster in historischen Daten zu identifizieren.

Answer

Sie kann die Zukunft perfekt vorhersagen.

Answer

Sie ist nur für lineare Daten anwendbar.

Question 33

Welche der folgenden Methoden verwendet gleitende Durchschnitte zur Prognose von Zeitreihenwerten?

Accepted Answer

Exponentielle Glättung

Answer

Lineare Regression

Answer

ARIMA-Modellierung

Answer

Logistische Regression

Question 34

Welches Element eines ARIMA-Modells gibt die Ordnung der autoregressiven Terme an?

Accepted Answer

p

Answer

I

Answer

d

Answer

q

Question 35

Welche der folgenden Aussagen zur exponentiellen Glättung ist richtig?

Accepted Answer

Sie gewichtet vergangene Werte stärker als zukünftige.

Answer

Sie ist nur für lineare Trends geeignet.

Answer

Sie erfordert die Schätzung mehrerer Glättungsparameter.

Question 36

Was ist das Ziel einer differenzierten Zeitreihe?

Accepted Answer

Entfernung von Trends und Saisonalität

Answer

Erhöhung der Korrelation zwischen Beobachtungen

Answer

Reduzierung der Varianz

Answer

Normalisierung der Werte

Question 37

Welche statistische Maßnahme wird verwendet, um die Genauigkeit von Prognosen zu messen?

Accepted Answer

Mittlerer quadratischer Fehler (MSE)

Answer

Korrelationskoeffizient

Answer

Standardabweichung

Question 38

Welche der folgenden Zeitreihentypen weist eine regelmäßige Variation über einen bestimmten Zeitraum auf?

Accepted Answer

Saisonale Zeitreihe

Answer

Zufällige Zeitreihe

Answer

Trendzeitreihe

Answer

Lineare Zeitreihe

Question 39

Was ist ein Vorteil der Verwendung von Zeitreihenanalysemethoden?

Accepted Answer

Sie ermöglichen Prognosen für zukünftige Werte.

Answer

Sie sind leicht zu interpretieren

Answer

Sie liefern eine vollständige Erklärung der Daten

Answer

Sie erfordern keine großen Datenmengen

Question 40

Welche der folgenden Aussagen zur ARIMA-Modellierung ist falsch?

Accepted Answer

Sie erfordert immer eine stationäre Zeitreihe.

Answer

Sie kann für Kurz- und Langzeitprognosen verwendet werden.

Answer

Sie ist eine parametrische Prognosemethode.

Answer

Sie kann sowohl saisonale als auch nicht-saisonale Daten verarbeiten.

Question 41

Welche Rolle spielt die Autokorrelationsfunktion (ACF) bei der Zeitreihenanalyse?

Accepted Answer

Sie identifiziert Korrelationen zwischen vergangenen Werten in der Zeitreihe.

Answer

Sie bestimmt die Ordnung der differenzierten Zeitreihe.

Answer

Sie liefert Schätzungen für die ARIMA-Modellparameter.

Question 42

Welche Methode der Zeitreihenprognose verwendet historische Daten, um zukünftige Werte zu prognostizieren, wobei größere Gewichte auf neuere Daten gelegt werden?

Accepted Answer

Exponentielle Glättung

Answer

Naive Methode

Answer

ARIMA-Modell

Answer

Lineare Regression

Question 43

Welche der folgenden Komponenten wird in einem ARIMA-Modell berücksichtigt?

Accepted Answer

Autoregressive (AR), integrierte (I) und gleitende Durchschnitt (MA) Komponenten

Answer

Saisonale, trendige und zufällige Komponenten

Answer

Lineare, quadratische und kubische Komponenten

Question 44

Welche Metrik wird typischerweise verwendet, um die Genauigkeit von Zeitreihenprognosen zu bewerten?

Accepted Answer

Mittlerer quadratischer Fehler (MSE)

Answer

Korrelationskoeffizient

Answer

Standardabweichung

Question 45

Was ist die Bedeutung des 'p'-Parameters in einem ARIMA(p, d, q)-Modell?

Accepted Answer

Anzahl der autoregressiven (AR) Terme

Answer

Anzahl der saisonalen Terme

Answer

Anzahl der gleitenden Durchschnitt (MA) Terme

Answer

Anzahl der integrierten (I) Terme

Question 46

Welche der folgenden Aussagen über die exponentielle Glättung ist korrekt?

Accepted Answer

Die Glättungskonstante α bestimmt den Einfluss vergangener Daten auf die Prognose.

Answer

Die exponentielle Glättung ist nur für stationäre Zeitreihen geeignet.

Answer

Die exponentielle Glättung ist immer genauer als ein ARIMA-Modell.

Question 47

Welche der folgenden Methoden ist am besten geeignet, um saisonale Muster in Zeitreihen zu prognostizieren?

Accepted Answer

Saisonales ARIMA-Modell

Answer

Naive Methode

Answer

Einfache exponentielle Glättung

Answer

Doppelte exponentielle Glättung

Question 48

Was ist der Zweck der 'Differenzierung' in einem ARIMA-Modell?

Accepted Answer

Um eine Zeitreihe stationär zu machen.

Answer

Um die Genauigkeit der Prognose zu verbessern.

Answer

Um saisonale Muster zu entfernen.

Answer

Um den Trend der Zeitreihe zu verstärken.

Question 49

Welche der folgenden Aussagen über die Wahl der Prognosemethode ist korrekt?

Accepted Answer

Die beste Methode hängt von den Eigenschaften der Zeitreihe und den Anforderungen der Prognose ab.

Answer

ARIMA-Modelle sind nur für komplexe Zeitreihen geeignet.

Answer

Die exponentielle Glättung ist immer die beste Methode für Zeitreihenprognosen.

Question 50

Welche der folgenden Aussagen zu exponentieller Glättung ist korrekt?

Accepted Answer

Sie gewichtet neuere Beobachtungen stärker als ältere.

Answer

Sie ist eine nichtparametrische Methode.

Answer

Sie kann nur für lineare Zeitreihen verwendet werden.

Question 51

Was ist der Zweck des ADF-Tests?

Accepted Answer

Stationarität einer Zeitreihe zu überprüfen

Answer

Autokorrelation einer Zeitreihe zu messen

Answer

Die Vorhersagegenauigkeit eines Zeitreihenmodells zu bewerten

Answer

Die optimale Lag-Länge für ein ARIMA-Modell zu bestimmen

Question 52

Welcher der folgenden Parameter ist Teil eines ARMA-Modells?

Accepted Answer

p

Answer

α

Answer

s

Answer

d

Question 53

Was ist die AIC eines Zeitreihenmodells?

Accepted Answer

Ein Maß für die Güte der Anpassung und Komplexität des Modells

Answer

Die Summe der quadrierten Residuen des Modells

Answer

Die Anzahl der Freiheitsgrade des Modells

Question 54

Was ist der Unterschied zwischen einer zeitabhängigen und einer zeitunabhängigen Kovariable in einem Zeitreihenmodell?

Accepted Answer

Zeitabhängige Kovariable ändern sich mit der Zeit, zeitunabhängige bleiben konstant.

Answer

Zeitabhängige Kovariable sind qualitativ, zeitunabhängige sind quantitativ.

Answer

Zeitabhängige Kovariable werden zur Modellierung von Trends verwendet, zeitunabhängige zur Modellierung von Saisonalität.

Question 55

Welche der folgenden Aussagen zu Prognoseintervallen ist korrekt?

Accepted Answer

Sie geben einen Bereich an, innerhalb dessen der tatsächliche Wert mit einer bestimmten Wahrscheinlichkeit liegen wird.

Answer

Sie sind immer symmetrisch um den Prognosewert.

Question 56

Was ist der Zweck eines Zeitreihendiagramms?

Accepted Answer

Die Daten grafisch darzustellen und Trends, Saisonalität und Ausreißer zu identifizieren.

Answer

Die Parameter eines Zeitreihenmodells zu schätzen

Answer

Prognosen für zukünftige Werte zu erstellen

Question 57

Welche der folgenden Aussagen zur Autokorrelation in Zeitreihen ist korrekt?

Accepted Answer

Sie misst den Zusammenhang zwischen Beobachtungen zu unterschiedlichen Zeitpunkten.

Answer

Sie ist immer für die Modellauswahl relevant.

Answer

Sie kann nur positive Werte annehmen.

Question 58

Welcher der folgenden Schritte ist bei der Zeitreihenprognose nicht erforderlich?

Accepted Answer

Datenerfassung

Answer

Modellerstellung

Answer

Datenexploration

Answer

Modellbewertung