Manja Zillmann

• Ziel der Diplomarbeit ist es, zu zeigen, ob multivariate Prognoseverfahren bei Aufnahme von regionalen Abhängigkeiten der Nachbarregionen bessere Arbeitsmarktprognosen liefern, als univariate Prognoseverfahren, die keine räumlichen Wechselbeziehungen aufnehmen. In den Daten der Regionalforschung bestehen meist immer Interdependenzen, die bei abnehmender Gebietsgröße wachsen. So ist die Modellvoraussetzung der unabhängig, identischen Verteilung der Beobachtungen für die Anwendung von klassischen Modellen der Statistik verletzt und führt zu verzerrten Ergebnissen. Deshalb sollten diese wechselseitigen Beziehungen in die Modellierung von Schätzverfahren aufgenommen werden. Für die Prognose der Arbeitslosenzahlen auf Kreisebene in Deutschland sind als univariate (nichträumliche) Schätzverfahren ein ARIMA-Modell, die Zerlegung der Zeitreihe in strukturelle Komponenten (SC) und ein autoregressives strukturelles Komponentenmodell (SCAR) angewandt worden. Als multivariate (räumliche) Methoden kommen ein multivariates ARIMA-Modell (SAR) und ein autoregressives strukturelles Komponentenmodell (SCSAR) zum Einsatz, welche beide die räumlichen Abhängigkeiten in der Modellschätzung berücksichtigen. Nach Beschreibung der Datenstruktur, der Einführung in die Thematik der räumlichen Abhängigkeiten, werden Grundlagen zu stochastischen Prozessen angegeben. Die für die Prognosen verwendeten Schätzverfahren sind im darauolgenden Kapitel deniert und erläutert. Zum Schluss erfolgt die Darstellung und Auswertung der Prognoseergebnisse.