@misc{Zillmann2009,
  author    = {Zillmann, Manja},
  title     = {R{\"a}umliche Interdependenzen : Prognose der Entwicklung der Arbeitslosenzahlen auf Kreisebene in Deutschland},
  url       = {https://nbn-resolving.org/urn:nbn:de:bsz:mit1-opus-4088},
  year      = {2009},
  abstract  = {Ziel der Diplomarbeit ist es, zu zeigen, ob multivariate Prognoseverfahren bei Aufnahme von regionalen Abh{\"a}ngigkeiten der Nachbarregionen bessere Arbeitsmarktprognosen liefern, als univariate Prognoseverfahren, die keine r{\"a}umlichen Wechselbeziehungen aufnehmen. In den Daten der Regionalforschung bestehen meist immer Interdependenzen, die bei abnehmender Gebietsgr{\"o}ße wachsen. So ist die Modellvoraussetzung der unabh{\"a}ngig, identischen Verteilung der Beobachtungen f{\"u}r die Anwendung von klassischen Modellen der Statistik verletzt und f{\"u}hrt zu verzerrten Ergebnissen. Deshalb sollten diese wechselseitigen Beziehungen in die Modellierung von Sch{\"a}tzverfahren aufgenommen werden. F{\"u}r die Prognose der Arbeitslosenzahlen auf Kreisebene in Deutschland sind als univariate (nichtr{\"a}umliche) Sch{\"a}tzverfahren ein ARIMA-Modell, die Zerlegung der Zeitreihe in strukturelle Komponenten (SC) und ein autoregressives strukturelles Komponentenmodell (SCAR) angewandt worden. Als multivariate (r{\"a}umliche) Methoden kommen ein multivariates ARIMA-Modell (SAR) und ein autoregressives strukturelles Komponentenmodell (SCSAR) zum Einsatz, welche beide die r{\"a}umlichen Abh{\"a}ngigkeiten in der Modellsch{\"a}tzung ber{\"u}cksichtigen. Nach Beschreibung der Datenstruktur, der Einf{\"u}hrung in die Thematik der r{\"a}umlichen Abh{\"a}ngigkeiten, werden Grundlagen zu stochastischen Prozessen angegeben. Die f{\"u}r die Prognosen verwendeten Sch{\"a}tzverfahren sind im darauolgenden Kapitel deniert und erl{\"a}utert. Zum Schluss erfolgt die Darstellung und Auswertung der Prognoseergebnisse.},
  language  = {de}
}