In der sozialwissenschaftlichen Forschung beantworten manche Daten nicht nur die Frage „wie viel“, sondern auch „wann“. Zum Beispiel: die Arbeitslosenquote eines Landes über die Jahre, die wöchentliche Motivation eines Studierenden oder die täglichen Interaktionen einer Social-Media-Kampagne. Für solche Daten reichen gewöhnliche Analyseverfahren nicht aus. Hier kommt die Zeitreihenanalyse ins Spiel.

In diesem Beitrag erklären wir, was Zeitreihenanalyse ist, wann sie eingesetzt wird und welche grundlegenden Methoden es gibt – klar und mit Beispielen.

1. Was ist eine Zeitreihe?

Eine Zeitreihe besteht aus Daten, die in regelmäßigen Abständen (täglich, wöchentlich, monatlich, jährlich) erhoben und chronologisch geordnet sind. Ziel ist es, Veränderungen im Zeitverlauf zu analysieren, Muster zu erkennen und Prognosen zu erstellen.

Beispiel: Arbeitslosenquote von Hochschulabsolventen in der Türkei zwischen 2015 und 2025.

2. Wann wird Zeitreihenanalyse verwendet?

• Wenn Daten in zeitlicher Reihenfolge erhoben wurden
• Wenn mit historischen Daten zukünftige Werte vorhergesagt werden sollen
• Wenn Trends, Saisonalität oder zyklische Bewegungen analysiert werden
• Wenn Beobachtungen voneinander abhängig sind (z. B. beeinflusst der Wert von gestern den heutigen)

3. Zentrale Komponenten

Trend
Langfristige Aufwärts- oder Abwärtsbewegung in den Daten.

Beispiel: Zunehmende Nutzung sozialer Medien über die Jahre.

Saisonalität
Regelmäßige Schwankungen, die sich in bestimmten Zeitabständen wiederholen.

Beispiel: Höhere Tourismusausgaben in den Sommermonaten.

Stationarität
Eine Zeitreihe ist stationär, wenn Mittelwert und Varianz über die Zeit konstant bleiben. Die meisten Modelle setzen Stationarität voraus.

4. Häufig verwendete Methoden

Gleitender Durchschnitt (Moving Average)
Zur Glättung kurzfristiger Schwankungen in den Daten.

Autoregressive Modelle (AR)
Gehen davon aus, dass vergangene Werte den aktuellen beeinflussen.

Modell:
Yₜ = β₀ + β₁Yₜ₋₁ + εₜ

ARIMA (Autoregressive Integrated Moving Average)
Ein leistungsstarkes Modell zur Behandlung von Trend- und Stationaritätsproblemen.

ARIMA(p,d,q):

• p: Anzahl der Verzögerungen
• d: Differenzierungsgrad (zur Stationarität)
• q: Verzögerung des gleitenden Durchschnitts

Saisonales ARIMA (SARIMA)
Erweiterung von ARIMA mit saisonalen Komponenten.

5. Zeitreihenanalyse mit SPSS, Excel und R

• SPSS: Analyze > Forecasting > Create Models
• Excel: Daten > Datenanalyse > Gleitender Durchschnitt
• R: Pakete wie forecast, tseries, zoo ermöglichen ARIMA und mehr

6. Wie Zeitreihenanalyse in der Arbeit dargestellt wird

„Die Arbeitslosenquoten von 2010 bis 2024 wurden mit dem ARIMA(1,1,1)-Modell analysiert. Das Modell zeigte eine hohe Prognosekraft (AIC = 123,4). Es wurde ein deutlicher Aufwärtstrend festgestellt, sowie saisonale Rückgänge in den Sommermonaten.“

7. Fazit

Zeitreihenanalyse hilft nicht nur, die Vergangenheit zu verstehen, sondern auch, die Zukunft vorherzusagen. Sie ist ein starkes Werkzeug in den Sozialwissenschaften – etwa bei Politikanalysen, wirtschaftlichen Indikatoren oder Bildungsdaten. Wenn Ihre Arbeit eine zeitliche Dimension enthält, sollten Sie diese Methode unbedingt in Betracht ziehen.