732G52 · 7,5 hp · Grundnivå (G1F) · Statistik
Tidsserieanalys
Ges · nästa start HT 2026
59 %
klarade senaste ordinarie tentan
TEN2 · 17 jan 2026 · 22 studenter
47 %
klarade ordinarie tentorna, alla tillfällen de senaste 5 åren
TEN2 · 47 studenter
92 %
Svårare än 92 % av kurserna på grundnivå
Jämfört med 874 kurser på samma nivå, ordinarie tentor de senaste tre läsåren. 47 studenter.
Ingår i 1 program
Tentamen
TEN2 Tentamen
- VG
- G
- U
Ordinarie tentor
47 % godkända · 47 studenter
- 59 %22
- 36 %25
Omtentor
30 % godkända · 53 studenter
- 15 %13
- 8 %12
- 67 %12
- 31 %16
- Klarar omtentan: 30 % (53 studenter), jämfört med 47 % (47 studenter) på ordinarie
- Får VG: 8 % (100 studenter)
Övriga moment
Deltentor, inlämningar och laborationer. De ingår inte i siffrorna överst.
Inlämning eller laboration
PRO1 Projekt
- G
Ordinarie tillfällen
100 % godkända · 30 studenter
- 100 %14
- 100 %16
Senare tillfällen
100 % godkända · 11 studenter
- 100 %11
- Klarar ett senare tillfälle: 100 % (11 studenter), jämfört med 100 % (30 studenter) på ordinarie
Visa små tillfällen (3)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 100 %2
- 100 %3
- 100 %4
Om kursen
Mål
Efter avslutad kurs ska den studerande kunna:
- redogöra för olika metoder för analys av tidsserier
- bedöma kvaliteten hos tidsseriedata
- använda metoder för att konstruera och använda olika typer av index
- anpassa och göra inferens för tidsseriemodeller, göra prognoser och beräkna dess statistiska osäkerhet
- använda statistisk mjukvara för att hantera tidsseriedata och anpassa tidsseriemodeller
- kritiskt diskutera lämpligheten i val av tidsseriemodell
- tolka resultat av genomförda analyser
- genomföra uppgifter inom givna tidsramar
Innehåll
I kursen behandlas:
- Indexteori som exempelvis fastbasindex och kedjeindex
- Tidsserieanalys:
- tidsserieregression - komponentuppdelning, främst säsongskomponenter för säsongsrensning - exponentiella utjämningsmetoder, Holt Winters metodik - stationäritet, autokorrelation, differentiering - modeller som Autoregressive Integrated Moving Average (ARIMA) och Seasonal Autoregressive Integrated Moving Average (SARIMA) - transferfunktions- och interventionsmodeller - vektor autoregression (VAR) modeller - volatilitetsmodeller ARCH och GARCH - prognoser och prognosintervall för olika tidsseriemodeller
- Examinator
- Ann-Charlotte Hallberg
- Huvudområde
- Statistik