Dieser Artikel oder nachfolgende Abschnitt ist nicht hinreichend mit Belegen (beispielsweise Einzelnachweisen) ausgestattet. Angaben ohne ausreichenden Beleg könnten demnächst entfernt werden. Bitte hilf Wikipedia, indem du die Angaben recherchierst und gute Belege einfügst.

Unter einem Transferfunktionsmodell wird in der Zeitreihenanalyse ein univariates Zeitreihenmodell verstanden, bei dem die Zielvariable ${\displaystyle Y_{t}}$ außer von sich selbst und einer unbeobachtbaren Schockvariablen ${\displaystyle Z_{t}}$ von weiteren beobachtbaren Variablen ${\displaystyle X_{m}t}$ dynamisch abhängig sein kann. Im Gegensatz zu Vektorprozessen finden nur ein Einfluss der ${\displaystyle X_{m}t}$ auf ${\displaystyle Y_{t}}$ statt und nicht umgekehrt. Ein solches Modell kann auch als univariates dynamisches Modell mit Inputvariablen angesehen werden. Formal lässt sich folgende Darstellung wählen:

${\displaystyle Y_{t}=\nu (L)X_{t}+{\frac {\Theta (L)}{\Phi (L)}}Z_{t}}$

Dabei ist ${\displaystyle X_{t}}$ die Inputvariable. Im Gegensatz zum Interventionsmodell kann diese Inputvariable mehr Ausprägungen haben als die Indikatorfunktion (nur 0 und 1). ${\displaystyle Y_{t}}$ kann dabei als Outputvariable bezeichnet werden. ${\displaystyle Y_{t}=\nu (L)}$ wird als Transferfunktion bezeichnet. Diese Funktion ist in ihrer Wirkung auf die Zeitreihe mit der Impuls-Antwort-Funktion des Interventionsmodells vergleichbar. Das Transferfunktionsmodell ist stabil, wenn die Impuls-Antwort-Gewichte absolut summierbar sind. Somit würde ein beschränkter Input auch einen beschränkten Output erzeugen. Das Modell heißt kausal, wenn ${\displaystyle Y_{t}}$ keine vorlaufende Funktion von ${\displaystyle X_{t}}$ ist. X ist bezüglich Y exogen, und es gibt keine Feedback-Beziehung von Y zu X.

Zur Identifikation des Modells wird auf das Instrument der Kreuzkorrelationsfunktion zurückgegriffen. Diese Funktion ist im Gegensatz zur Autokorrelationsfunktion nicht symmetrisch um l. Die Beziehung zwischen der Kreuzkorrelations- und der Transferfunktion ist recht kompliziert:

${\displaystyle \rho (l)={\frac {\sigma _{X}}{\sigma _{Y}}}[\nu _{0}\rho _{X}(l)+\nu _{1}\rho _{X}(l-1)+\nu _{2}\rho _{X}(l-2)+...]}$.

Das hier zu lösende simultane Gleichungssystem ist recht kompliziert. Einfacher hätte man es, wenn folgender Zusammenhang herstellbar wäre:

${\displaystyle \nu ={\frac {\sigma _{Y}}{\sigma _{X}}}\rho _{XY}(l)}$.

Damit wäre ${\displaystyle \nu _{l}}$ proportional zum Kreuzkorrelationskoeffizienten ${\displaystyle \rho _{XY}(l)}$. Dieses kann erreicht werden, in dem man den Input so transformiert, dass dieser weißes Rauschen wird. Bei der als „Vorweißen“ genannten Transformation wird davon ausgegangen, dass die Inputreihe ${\displaystyle X_{t}}$ als ARMA-Prozess aufgefasst wird:

${\displaystyle \Phi _{Y}(L)X_{t}=\Theta _{X}(L)\alpha _{t}}$. Nach umformen ergibt sich die vorgeweißte Inputreihe:

${\displaystyle \alpha _{t}={\frac {\Phi _{X}(L)}{\Theta _{X}(L)}}X_{t}}$

Nun muss noch dieselbe Transformation auf die Outputvariable ${\displaystyle Y_{t}}$ angewandt werden:

${\displaystyle \beta _{t}={\frac {\Phi _{X}(L)}{\Theta _{X}(L)}}Y_{t}}$.

Das ursprüngliche Transferfunktionsmodell lässt sich nun als:

${\displaystyle \beta _{t}=\nu (L)\alpha _{t}+\varepsilon _{t}}$ auffassen. ${\displaystyle \alpha _{t}}$ ist dabei weißes Rauschen. ${\displaystyle \beta _{t}}$ und ${\displaystyle \varepsilon _{t}}$ sind in der Regel kein weißes Rauschen. Für den Kreuzkorrelationskoeffizienten der transformierten Zeitreihe erhält man:

${\displaystyle \nu ={\frac {\sigma _{\beta }}{\sigma _{\alpha }}}\rho _{\alpha \beta }(l)}$.

Mit diesem Ergebnis kann die Schätzung wie im ARMA-Modell erfolgen.

• Claus Möbus und Willi Nagl: Messung, Analyse und Prognosevon Veränderungen, Multiple Zeitreihenanalyse : Transferfunktionsmodelle Seite 268 ff