Mit den Arbeiten von Owen wurde das empirische Likelihood-Prinzip (kurz EL-Prinzip) in die mathematische Statistik eingeführt. Es ermöglicht im Modell unabhängig und identisch verteilter Daten unter anderem die nichtparametrische Schätzung von Verteilungen unter Zusatzinformationen mittels einer modifizierten empirischen Verteilungsfunktion. Darüber hinaus wurde es in jüngster Zeit (z. B. in der Diplomarbeit des Verfassers) in Zeitreihenmodellen erfolgreich zur Schätzung der Fehlerverteilung angewendet. In der vorliegenden Arbeit werden weitere mögliche Anwendungen des EL-Prinzips diskutiert.
Der erste Teil der Arbeit beschäftigt sich mit Anpassungstests auf parametrische Verteilungsklassen unter Voraussetzung der Zentriertheit. Mithilfe der Theorie empirischer Prozesse mit geschätztem Parameter werden adäquate Tests vom Kolmogorov-Smirnov-Typ sowohl im Modell unabhängig und identisch verteilter Daten als auch im AR(1)-Modell konstruiert. Dabei ist jeweils ein funktionaler Grenzwertsatz unter der Hypothese des Testproblems grundlegend.
Die Konsistenz der zugehörigen Bootstraps-Prozesse wird bewiesen, um die Ergebnisse praktisch anwendbar zu machen, d.h. Bootstrap-Tests angeben zu können. Simulationsstudien schließlich zeigen die durch die Ausnutzung der Zentriertheit erhaltenen Güteverbesserungen gegenüber den klassischen Tests auf.
Der letzte Teil der Arbeit widmet sich nichtparametrischen Ein- und Zweischritt-Prognoseintervallen in stabilen AR(1)-Prozessen auf Basis der gewöhnlichen wie der modifizierten empirischen Verteilungsfunktion der Residuen. Dazu wird zunächst die Konsistenz der so konstruierten Intervalle gezeigt. In einem zweiten Schritt werden in beiden Fällen die asymptotischen Verteilungen ihrer bedingten Überdeckungswahrscheinlichkeiten ermittelt und verglichen.
Verknüpfung zu Publikationen oder weiteren Datensätzen
