100% found this document useful (1 vote)
122 views

PDF Hands-on Time Series Analysis With Python: From Basics To Bleeding Edge Techniques B. V. Vishwas download

Basics

Uploaded by

ertlerpechy
Copyright
© © All Rights Reserved
Available Formats
Download as PDF, TXT or read online on Scribd
100% found this document useful (1 vote)
122 views

PDF Hands-on Time Series Analysis With Python: From Basics To Bleeding Edge Techniques B. V. Vishwas download

Basics

Uploaded by

ertlerpechy
Copyright
© © All Rights Reserved
Available Formats
Download as PDF, TXT or read online on Scribd
You are on page 1/ 62

Download the full version of the textbook now at textbookfull.

com

Hands-on Time Series Analysis With Python:


From Basics To Bleeding Edge Techniques B. V.
Vishwas

https://textbookfull.com/product/hands-on-time-
series-analysis-with-python-from-basics-to-
bleeding-edge-techniques-b-v-vishwas/

Explore and download more textbook at https://textbookfull.com


Recommended digital products (PDF, EPUB, MOBI) that
you can download immediately if you are interested.

Mastering Time Series Analysis and Forecasting with Python


Bridging Theory and Practice Through Insights Techniques
and Tools for Effective Time Series Analysis in Python 1st
Edition Sulekha Aloorravi
https://textbookfull.com/product/mastering-time-series-analysis-and-
forecasting-with-python-bridging-theory-and-practice-through-insights-
techniques-and-tools-for-effective-time-series-analysis-in-python-1st-
edition-sulekha-aloorravi/
textbookfull.com

Practical Time Series Forecasting with R A Hands On Guide


2nd Edition Galit Shmueli

https://textbookfull.com/product/practical-time-series-forecasting-
with-r-a-hands-on-guide-2nd-edition-galit-shmueli/

textbookfull.com

Hands On MQTT Programming with Python Gaston C. Hillar

https://textbookfull.com/product/hands-on-mqtt-programming-with-
python-gaston-c-hillar/

textbookfull.com

Managing Risk in Nanotechnology Topics in Governance


Assurance and Transfer 1st Edition Finbarr Murphy

https://textbookfull.com/product/managing-risk-in-nanotechnology-
topics-in-governance-assurance-and-transfer-1st-edition-finbarr-
murphy/
textbookfull.com
Mutual funds and exchange-traded funds : building blocks
to wealth 1st Edition Baker

https://textbookfull.com/product/mutual-funds-and-exchange-traded-
funds-building-blocks-to-wealth-1st-edition-baker/

textbookfull.com

Cambridge International AS & A Level Physics Practical


Workbook 2nd Edition Graham Jones

https://textbookfull.com/product/cambridge-international-as-a-level-
physics-practical-workbook-2nd-edition-graham-jones/

textbookfull.com

Practice of Bayesian Probability Theory in Geotechnical


Engineering Wan-Huan Zhou

https://textbookfull.com/product/practice-of-bayesian-probability-
theory-in-geotechnical-engineering-wan-huan-zhou/

textbookfull.com

Grace Cries Uncle Manor House Cozy Mystery 06 Julie Hyzy


Et El

https://textbookfull.com/product/grace-cries-uncle-manor-house-cozy-
mystery-06-julie-hyzy-et-el/

textbookfull.com

Illustrated guide to home chemistry experiments all lab no


lecture Thompson

https://textbookfull.com/product/illustrated-guide-to-home-chemistry-
experiments-all-lab-no-lecture-thompson/

textbookfull.com
Multiobjective Linear Programming: An Introduction 1st
Edition Dinh The Luc (Auth.)

https://textbookfull.com/product/multiobjective-linear-programming-an-
introduction-1st-edition-dinh-the-luc-auth/

textbookfull.com
Hands-on Time
Series Analysis
with Python
From Basics to Bleeding Edge
Techniques

B V Vishwas
Ashish Patel
Hands-on Time Series
Analysis with Python
From Basics to Bleeding
Edge Techniques

B V Vishwas
Ashish Patel
Hands-on Time Series Analysis with Python: From Basics to Bleeding
Edge Techniques
B V Vishwas Ashish Patel
Infosys Cygnet Infotech Pvt Ltd
Bengaluru, India Ahmedabad, India

ISBN-13 (pbk): 978-1-4842-5991-7    ISBN-13 (electronic): 978-1-4842-5992-4


https://doi.org/10.1007/978-1-4842-5992-4

Copyright © 2020 by B V Vishwas and Ashish Patel


This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or
part of the material is concerned, specifically the rights of translation, reprinting, reuse of
illustrations, recitation, broadcasting, reproduction on microfilms or in any other physical way,
and transmission or information storage and retrieval, electronic adaptation, computer software,
or by similar or dissimilar methodology now known or hereafter developed.
Trademarked names, logos, and images may appear in this Book. Rather than use a trademark
symbol with every occurrence of a trademarked name, logo, or image we use the names, logos,
and images only in an editorial fashion and to the benefit of the trademark owner, with no
intention of infringement of the trademark.
The use in this publication of trade names, trademarks, service marks, and similar terms, even if
they are not identified as such, is not to be taken as an expression of opinion as to whether or not
they are subject to proprietary rights.
While the advice and information in this Book are believed to be true and accurate at the date of
publication, neither the authors nor the editors nor the publisher can accept any legal
responsibility for any errors or omissions that may be made. The publisher makes no warranty,
express or implied, with respect to the material contained herein.
Managing Director, Apress Media LLC: Welmoed Spahr
Acquisitions Editor: Celestin Suresh John
Development Editor: James Markham
Coordinating Editor: Aditee Mirashi
Cover designed by eStudioCalamar
Cover image designed by Pixabay
Distributed to the book trade worldwide by Springer Science+Business Media New York, 233
Spring Street, 6th Floor, New York, NY 10013. Phone 1-800-SPRINGER, fax (201) 348-4505, e-mail
[email protected], or visit www.springeronline.com. Apress Media, LLC is a
California LLC and the sole member (owner) is Springer Science + Business Media Finance Inc
(SSBM Finance Inc). SSBM Finance Inc is a Delaware corporation.
For information on translations, please e-mail [email protected]; for
reprint, paperback, or audio rights, please e-mail [email protected].
Apress titles may be purchased in bulk for academic, corporate, or promotional use. eBook
versions and licenses are also available for most titles. For more information, reference our Print
and eBook Bulk Sales web page at www.apress.com/bulk-sales.
Any source code or other supplementary material referenced by the author in this Book is
available to readers on GitHub via the Book’s product page, located at www.apress.com/
978-1-4842-5991-7. For more detailed information, please visit www.apress.com/source-code.
Printed on acid-free paper
Table of Contents
About the Authors��������������������������������������������������������������������������������xi
About the Technical Reviewer�����������������������������������������������������������xiii
Acknowledgments������������������������������������������������������������������������������xv
Introduction��������������������������������������������������������������������������������������xvii

Chapter 1: Time-Series Characteristics������������������������������������������������1


Types of Data��������������������������������������������������������������������������������������������������������2
Time-Series Data���������������������������������������������������������������������������������������������2
Cross-Section Data������������������������������������������������������������������������������������������4
Panel Data/Longitudinal Data��������������������������������������������������������������������������4
Trend���������������������������������������������������������������������������������������������������������������������6
Detecting Trend Using a Hodrick-Prescott Filter����������������������������������������������6
Detrending a Time Series��������������������������������������������������������������������������������7
Seasonality���������������������������������������������������������������������������������������������������������11
Multiple Box Plots������������������������������������������������������������������������������������������12
Autocorrelation Plot���������������������������������������������������������������������������������������13
Deseasoning of Time-Series Data�����������������������������������������������������������������14
Seasonal Decomposition�������������������������������������������������������������������������������15
Cyclic Variations��������������������������������������������������������������������������������������������������16
Detecting Cyclical Variations�������������������������������������������������������������������������17
Errors, Unexpected Variations, and Residuals�����������������������������������������������������18
Decomposing a Time Series into Its Components�����������������������������������������������18
Summary������������������������������������������������������������������������������������������������������������21

iii
Table of Contents

Chapter 2: Data Wrangling and Preparation for Time Series��������������23


Loading Data into Pandas�����������������������������������������������������������������������������������24
Loading Data Using CSV��������������������������������������������������������������������������������24
Loading Data Using Excel������������������������������������������������������������������������������25
Loading Data Using JSON������������������������������������������������������������������������������25
Loading Data from a URL�������������������������������������������������������������������������������26
Exploring Pandasql and Pandas Side by Side�����������������������������������������������������27
Selecting the Top Five Records���������������������������������������������������������������������27
Applying a Filter��������������������������������������������������������������������������������������������28
Distinct (Unique)��������������������������������������������������������������������������������������������29
IN�������������������������������������������������������������������������������������������������������������������30
NOT IN������������������������������������������������������������������������������������������������������������32
Ascending Data Order�����������������������������������������������������������������������������������������33
Descending Data Order���������������������������������������������������������������������������������������34
Aggregation���������������������������������������������������������������������������������������������������������35
GROUP BY������������������������������������������������������������������������������������������������������36
GROUP BY with Aggregation��������������������������������������������������������������������������38
Join (Merge)��������������������������������������������������������������������������������������������������������39
INNER JOIN����������������������������������������������������������������������������������������������������41
LEFT JOIN������������������������������������������������������������������������������������������������������43
RIGHT JOIN����������������������������������������������������������������������������������������������������46
OUTER JOIN���������������������������������������������������������������������������������������������������48
Summary of the DataFrame��������������������������������������������������������������������������������51
Resampling���������������������������������������������������������������������������������������������������������52
Resampling by Month������������������������������������������������������������������������������������53
Resampling by Quarter����������������������������������������������������������������������������������53
Resampling by Year���������������������������������������������������������������������������������������53

iv
Table of Contents

Resampling by Week�������������������������������������������������������������������������������������54
Resampling on a Semimonthly Basis������������������������������������������������������������55
Windowing Function�������������������������������������������������������������������������������������������55
Rolling Window����������������������������������������������������������������������������������������������56
Expanding Window����������������������������������������������������������������������������������������57
Exponentially Weighted Moving Window�������������������������������������������������������57
Shifting����������������������������������������������������������������������������������������������������������������58
Handling Missing Data����������������������������������������������������������������������������������������60
BFILL��������������������������������������������������������������������������������������������������������������62
FFILL��������������������������������������������������������������������������������������������������������������62
FILLNA�����������������������������������������������������������������������������������������������������������63
INTERPOLATE�������������������������������������������������������������������������������������������������64
Summary������������������������������������������������������������������������������������������������������������64

Chapter 3: Smoothing Methods����������������������������������������������������������65


Introduction to Simple Exponential Smoothing���������������������������������������������������66
Simple Exponential Smoothing in Action������������������������������������������������������������68
Introduction to Double Exponential Smoothing���������������������������������������������������76
Double Exponential Smoothing in Action�������������������������������������������������������78
Introduction to Triple Exponential Smoothing�����������������������������������������������������86
Triple Exponential Smoothing in Action���������������������������������������������������������87
Summary������������������������������������������������������������������������������������������������������������97

Chapter 4: Regression Extension Techniques for Time-­Series Data���99


Types of Stationary Behavior in a Time Series����������������������������������������������������99
Making Data Stationery������������������������������������������������������������������������������������101
Using Plots���������������������������������������������������������������������������������������������������101
Using Summary Statistics���������������������������������������������������������������������������101
Using Statistics Unit Root Tests�������������������������������������������������������������������102

v
Table of Contents

Interpreting the P-value������������������������������������������������������������������������������������104


Augmented Dickey-Fuller Test��������������������������������������������������������������������������104
Kwiatkowski-Phillips-Schmidt-Shin Test����������������������������������������������������������105
Using Stationary Data Techniques��������������������������������������������������������������������106
Differencing�������������������������������������������������������������������������������������������������106
Random Walk�����������������������������������������������������������������������������������������������107
First-Order Differencing (Trend Differencing)����������������������������������������������108
Second-Order Differencing (Trend Differencing)�����������������������������������������109
Seasonal Differencing���������������������������������������������������������������������������������110
Autoregressive Models�������������������������������������������������������������������������������������111
Moving Average������������������������������������������������������������������������������������������������113
Autocorrelation and Partial Autocorrelation Functions�������������������������������������116
Introduction to ARMA����������������������������������������������������������������������������������������117
Autoregressive Model����������������������������������������������������������������������������������118
Moving Average�������������������������������������������������������������������������������������������119
Introduction to Autoregressive Integrated Moving Average������������������������������119
The Integration (I)����������������������������������������������������������������������������������������121
ARIMA in Action�������������������������������������������������������������������������������������������122
Introduction to Seasonal ARIMA������������������������������������������������������������������������129
SARIMA in Action�����������������������������������������������������������������������������������������131
Introduction to SARIMAX�����������������������������������������������������������������������������������143
SARIMAX in Action���������������������������������������������������������������������������������������144
Introduction to Vector Autoregression���������������������������������������������������������������154
VAR in Action�����������������������������������������������������������������������������������������������155
Introduction to VARMA��������������������������������������������������������������������������������������172
VARMA in Action������������������������������������������������������������������������������������������172
Summary����������������������������������������������������������������������������������������������������������184

vi
Table of Contents

Chapter 5: Bleeding-Edge Techniques����������������������������������������������185


Introduction to Neural Networks�����������������������������������������������������������������������185
Perceptron��������������������������������������������������������������������������������������������������������186
Activation Function�������������������������������������������������������������������������������������������188
Binary Step Function�����������������������������������������������������������������������������������188
Linear Activation Function���������������������������������������������������������������������������189
Nonlinear Activation Function����������������������������������������������������������������������190
Forward Propagation����������������������������������������������������������������������������������������195
Backward Propagation��������������������������������������������������������������������������������������196
Gradient Descent Optimization Algorithms��������������������������������������������������199
Learning Rate vs. Gradient Descent Optimizers������������������������������������������199
Recurrent Neural Networks������������������������������������������������������������������������������202
Feed-Forward Recurrent Neural Network���������������������������������������������������204
Backpropagation Through Time in RNN������������������������������������������������������������206
Long Short-Term Memory���������������������������������������������������������������������������������210
Step-by-Step Explanation of LSTM��������������������������������������������������������������212
Peephole LSTM��������������������������������������������������������������������������������������������214
Peephole Convolutional LSTM���������������������������������������������������������������������215
Gated Recurrent Units���������������������������������������������������������������������������������������216
Convolution Neural Networks���������������������������������������������������������������������������219
Generalized CNN Formula����������������������������������������������������������������������������222
One-Dimensional CNNs�������������������������������������������������������������������������������223
Auto-encoders��������������������������������������������������������������������������������������������������224
Summary����������������������������������������������������������������������������������������������������������226

vii
Table of Contents

Chapter 6: Bleeding-Edge Techniques for Univariate Time Series����227


Single-Step Data Preparation for Time-Series Forecasting�����������������������������227
Horizon-Style Data Preparation for Time-Series Forecasting��������������������������229
LSTM Univariate Single-Step Style in Action����������������������������������������������������230
LSTM Univariate Horizon Style in Action�����������������������������������������������������������242
Bidirectional LSTM Univariate Single-Step Style in Action�������������������������������253
Bidirectional LSTM Univariate Horizon Style in Action��������������������������������������262
GRU Univariate Single-Step Style in Action�������������������������������������������������������271
GRU Univariate Horizon Style in Action�������������������������������������������������������������279
Auto-encoder LSTM Univariate Single-Step Style in Action������������������������������288
Auto-encoder LSTM Univariate Horizon Style in Action������������������������������������297
CNN Univariate Single-Step Style in Action������������������������������������������������������306
CNN Univariate Horizon Style in Action�������������������������������������������������������������315
Summary����������������������������������������������������������������������������������������������������������324

Chapter 7: Bleeding-Edge Techniques for Multivariate Time Series�� 325


LSTM Multivariate Horizon Style in Action��������������������������������������������������������325
Bidirectional LSTM Multivariate Horizon Style in Action�����������������������������������337
Auto-encoder LSTM Multivariate Horizon Style in Action���������������������������������346
GRU Multivariate Horizon Style in Action����������������������������������������������������������356
CNN Multivariate Horizon Style in Action����������������������������������������������������������365
Summary����������������������������������������������������������������������������������������������������������374

viii
Table of Contents

Chapter 8: Prophet����������������������������������������������������������������������������375
The Prophet Model��������������������������������������������������������������������������������������������375
Implementing Prophet���������������������������������������������������������������������������������������376
Adding Log Transformation��������������������������������������������������������������������������381
Adding Built-in Country Holidays�����������������������������������������������������������������386
Adding Exogenous variables using add_regressors(function)��������������������������389
Summary����������������������������������������������������������������������������������������������������������394

Index�������������������������������������������������������������������������������������������������395

ix
Visit https://textbookfull.com
now to explore a rich
collection of eBooks, textbook
and enjoy exciting offers!
About the Authors
B V Vishwas is a Data Scientist, AI researcher
and AI Consultant, Currently living in
Bengaluru(INDIA). His highest qualification is
Master of Technology in Software Engineering
from Birla Institute of Technology & Science,
Pilani, India and his primary focus and
inspiration is Data Warehousing, Big Data,
Data Science (Machine Learning, Deep
Learning, Timeseries, Natural Language
Processing, Reinforcement Learning, and
Operation Research). He has over seven years of IT experience currently
working at Infosys as Data Scientist & AI Consultant. He has also worked
on Data Migration, Data Profiling, ETL & ELT, OWB, Python, PL/SQL, Unix
Shell Scripting, Azure ML Studio, Azure Cognitive Services, and AWS.

Ashish Patel is a Senior Data Scientist, AI


researcher, and AI Consultant with over
seven years of experience in the field of AI,
Currently living in Ahmedabad(INDIA). He
has a Master of Engineering Degree from
Gujarat Technological University and his
keen interest and ambition to research in the
following domains such as (Machine Learning,
Deep Learning, Time series, Natural Language
Processing, Reinforcement Learning,
Audio Analytics, Signal Processing, Sensor

xi
About the Authors

Technology, IoT, Computer Vision). He is currently working as Senior


Data Scientist for Cynet infotech Pvt Ltd. He has published more than
15 + Research papers in the field of Data Science with Reputed
Publications such as IEEE. He holds Rank 3 as a kernel master in Kaggle.
Ashish has immense experience working on cross-domain projects
involving a wide variety of data, platforms, and technologies.

xii
About the Technical Reviewer
Over his nearly three-decade career,
Alexey Panchekha, PhD, CFA, has spent
10 years in academia, where he focused on
nonlinear and dynamic processes; 10 years in
the technology industry, where he specialized
in program design and development; and
eight years in financial services. In the latter
arena, he specialized in applying mathematical
techniques and technology to risk management
and alpha generation. For example, Panchekha was involved in the equity
derivative trading technology platform at Goldman Sachs, and he led the
creation of the multi-asset multigeographies portfolio risk management
system at Bloomberg. He also served as the head of research at Markov
Process International, a leader in portfolio attribution and analytics.
Most recently, Panchekha cofounded Turing Technology Associates, Inc.,
with Vadim Fishman. Turing is a technology and intellectual property
company that sits at the intersection of mathematics, machine learning,
and innovation. Its solutions typically service the financial technology
(fintech) industry. Turing primarily focuses on enabling technology that
supports the burgeoning ensemble active management (EAM). Prior
to Turing, Panchekha was managing director at Incapital, and head
of research at F-Squared Investments, where he designed innovative
volatility-based risk-sensitive investment strategies. He is fluent in multiple
computer programming languages and software and database programs
and is certified in deep learning software. He earned a PhD from Kharkiv
Polytechnic University with studies in physics and mathematics as well as
an MS in physics. Panchekha is a CFA charterholder.

xiii
Acknowledgments
This being my first book, I found transforming idea and real-world
experience into its current shape to be a strenuous task. I am grateful to
almighty God for blessing and guiding me in all endeavors. I would like to
thank my parents (Vijay Kumar and Rathnamma), brother (Shreyas), other
family, and friends for helping me sail though the sea of life.

—B V Vishwas

First and foremost, praises and thanks to God, the almighty, for His
showers of blessings throughout the book-writing process. I would like to
express my deep and sincere gratitude to my parents (Dinesh Kumar N
Patel and Javnika ben D Patel), my sister (Nisha Patel), and my family and
friends (Shailesh Patel, Sanket Patel, Nikit Patel, Mansi Patel, Khushboo
Shah) for their support and valuable prayers.

—Ashish Patel

Special thanks to Celestin Suresh John, Aditee Mirashi, James Markham,


Alexey Panchekha, and the Apress team for bringing this book to life.

xv
Introduction
This book explains the concepts of time series from traditional to
bleeding-edge techniques with full-fledged examples.
The book begins by covering time-series fundamentals and their
characteristics, Structure & Components of time series data, preprocessing,
and ways of crafting features through data wrangling. Next, it covers
traditional time-series techniques such as the smoothing methods ARMA,
ARIMA, SARIMA, SARIMAX, VAR, and VARMA using trending frameworks
such as Statsmodels and Pmdarima.
Further covers how to leverage advanced deep learning-based
techniques such as ANN, CNN, RNN, LSTM, GRU, and Autoencoder to
solve time-­series problems using Tensorflow. It concludes by explaining
how to use the popular framework fbprophet for modeling time-series
analysis.
After completion of the book, the reader will have thorough knowledge
of concepts and techniques to solve time-series problems. All the code
presented in this book is available in Jupyter Notebooks; this allows
readers to do hands-on experiments and enhance them in exciting ways.

xvii
CHAPTER 1

Time-Series
Characteristics
A time series is a collection of data points that are stored with respect to
their time. Mathematical and statistical analysis performed on this kind
of data to find hidden patterns and meaningful insight is called time-­
series analysis. Time-series modeling techniques are used to understand
past patterns from the data and try to forecast future horizons. These
techniques and methodologies have been evolving for decades.
Observations with continuous timestamps and target variables
are sometimes framed as straightforward regression problems by
decomposing dates into minutes, hours, days, weeks, months, years, and
so on, which is not the right way to handle such data because the results
obtained are poor. In this chapter, you will learn the right approach for
handling time-series data.
There are different kinds of data, such as structured, semistructured,
and unstructured, and each type should be handled in its own way to gain
maximum insight. In this book, we are going to be looking at time-series
data that is structured in manner such as data from the stock market,
weather, birth rates, traffic, bike-sharing apps, etc.
This chapter is a gentle introduction to the types of time-series data, its
components, and ways to decompose it.

© B V Vishwas and Ashish Patel 2020 1


B V Vishwas and A. Patel, Hands-on Time Series Analysis with Python,
https://doi.org/10.1007/978-1-4842-5992-4_1
Chapter 1 Time-Series Characteristics

T ypes of Data
Time-series analysis is a statistical technique that measures a sequential set
of data points. This is a standard measure in terms of time that comes in
three types, as shown in Figure 1-1.

Data Types

Cross-Section Panel/Longitudinal
Time-Series Data
Data Data

Figure 1-1. Types of data

T ime-Series Data
A time series contains data points that increase, decrease, or otherwise
change in chronological order over a period. A time series that
incorporates the records of a single feature or variable is called a univariate
time series. If the records incorporate more than one feature or variable,
the series is called a multivariate time series. In addition, a time series can
be designated in two ways: continuous or discrete.
In a continuous time series, data observation is carried out
continuously throughout the period, as with earthquake seismograph
magnitude data, speech data, etc. Figure 1-2 illustrates earthquake data
measured continuously from 1975 to 2015.

2
Chapter 1 Time-Series Characteristics

EARTHQUAKE SEISMOGRAPHIC MAGNITUDE


1975 to 2015
6.60
6.40
6.20
MAGNITUDE

6.00
5.80
5.60
5.40
5.20
5.00

YEARS

Figure 1-2. Forty years of earthquake seismograph magnitude data

Figure 1-3 Illustrates temperature behavior in India over a century and


clearly shows that temperature is increasing monotonically.

27
26.5
AVG TEMPRATURE

26
25.5
25
24.5
24
23.5
23
1880 1900 1920 1940 1960 1980 2000 2020 2040
YEARS

Figure 1-3. India’s temperature data from 1901 to 2017

In a discrete time series, data observation is carried out at a specific


time or equally spaced, as with temperature increases or decreases,
exchange rates of currencies, air pressure data, etc. Figure 1-2 illustrates
the analysis of the average temperature of India from 1901 to 2017, which
either increases or decreases with time. This data behavior is discrete.

3
Chapter 1 Time-Series Characteristics

C
 ross-Section Data
Cross-section data is data gathered at a specific point of time for several
subjects such as closing prices of a particular group of stocks on a specific
date, opinion polls of elections, obesity level in population, etc. Cross-
section studies are utilized in many research areas such as medical,
economics, psychology, etc. For instance, high blood pressure is one of the
significant risk factors for cause of death in India according to a 2017 WHO
report. WHO has carried out the study of several risk factors (considered
various subjects), which reflects cross-section survey data. Figure 1-4
illustrates the cross-section data.

NUMBERS OF DEATH BY RISK FACTOR IN INDIA


WHO 2017 STUDY REPORT
1800000 1544920.203
1600000
1400000
DEATH COUNT

1200000
1000000
800000
600000
400000
200000
0
Non-exclusive …
Discontinued…

Diet low in fruits…

Zinc deficiency…

Low bone mineral …


Unsafe water source …
Poor sanitation…

Diet low in…

High blood sugar…

Vitamin-A deficiency…
No access to …
Indoor air pollution …

Low birth weight …


Secondhand smoke …

High blood pressure…

Air pollution…
Low physical activity …

Outdoor air pollution…


High cholesterol…

Iron deficiency…
Drug use (deaths)

Smoking (deaths)
Obesity (deaths)
Child stunting (deaths)

Alcohol use (deaths)


Child wasting (deaths)

Unsafe sex (deaths)

RISK FACTOR

Figure 1-4. Number of deaths by risk factor in India

Panel Data/Longitudinal Data


Panel data/longitudinal data contains observations of multiple
occurrences collected over various durations of time for the same
individuals. It is data that is determined periodically by the number of
observations in cross-sectional data units such as individuals, companies,

4
Chapter 1 Time-Series Characteristics

or government agencies. Table 1-1 provides examples of data available for


multiple people over the course of a few years where the data gathered
comprises income, age, and sex.

Table 1-1. Example of Panel Data


Panel Data A

Name Year Income Age Sex


Allen 2016 42145 24 Female
Allen 2017 47797 21 Female
Allen 2018 41391 23 Female
Malissa 2016 41100 22 Male
Malissa 2017 25800 23 Male
Malissa 2018 34508 22 Male
Panel Data B
Name Year Income Age Sex
Malissa 2016 42688 27 Female
Malissa 2017 21219 25 Female
Allen 2016 46340 26 Male
Allen 2017 22715 22 Male
Allen 2018 34653 21 Male
Alicia 2017 31553 29 Female

In Table 1-1, datasets A and B (with the attributes income, age, and
sex) gathered throughout the years are for different people. Dataset A
is a depiction of two people, Allen and Malissa, who were subject to
observation over three years (2016, 2017, 2018); this is known as balanced
panel data. Dataset B is called unbalanced panel data because data does
not exist for every individual every year.

5
Visit https://textbookfull.com
now to explore a rich
collection of eBooks, textbook
and enjoy exciting offers!
Chapter 1 Time-Series Characteristics

Trend
A trend is a pattern that is observed over a period of time and represents
the mean rate of change with respect to time. A trend usually shows the
tendency of the data to increase/uptrend or decrease/downtrend during
the long run. It is not always necessary that the increase or decrease is in
the same direction throughout the given period of time. A trend line is also
drawn using candlestick charts.
For example, you may have heard about an increase or decrease in
different market commodities such as gold, silver, stock prices, gas, diesel,
etc., or about the rate of interest for banks or home loans increasing or
decreasing. These are all commodity market conditions, which may either
increase or decrease over time, that show a trend in data.

Detecting Trend Using a Hodrick-Prescott Filter


The Hodrick-Prescott (HP) filter has become a benchmark for getting
rid of trend movements in data. This method is broadly employed
for econometric methods in applied macroeconomics research. The
technique is nonparametric and is used to dissolve a time series into a
trend; it is a cyclical component unaided by economic theory or prior
trend specification. Like all nonparametric methods, the HP filter is
contingent significantly on a tuning parameter that controls the degree of
smoothing. This method is broadly employed in applied macroeconomics
utilized in central banks, international economics agencies, industry, and
government.
With the following example code, you can see how the EXINUS stock
changes over a period of time:

import pandas as pd
from statsmodels.tsa.filters.hp_filter import hpfilter
df = pd.read_excel(r'\Data\India_Exchange_Rate_Dataset.xls',\

6
Chapter 1 Time-Series Characteristics

index_col=0,parse_dates=True)
EXINUS_cycle,EXINUS_trend = hpfilter(df['EXINUS'], lamb=1600)
EXINUS_trend.plot(figsize=(15,6)).autoscale(axis='x',tight=True)

Figure 1-5 shows an upward trend over the period.

Figure 1-5. EXINUS stock showing an upward trend

Detrending a Time Series


Detrending is the process of removing a trend from time-series data, or it
mentions a change in the mean over time. It is continuously increasing
or decreasing over the duration of time. Identification, modeling, and
even removing trend data from time-series datasets can be beneficial. The
following are methods to detrend time-series data:

• Pandas differencing

• SciPy signal

• HP filter

7
Chapter 1 Time-Series Characteristics

Detrending Using Pandas Differencing


The Pandas library has a built-in function to calculate the difference in a
dataset. This diff() function is used both for series and for DataFrames.
It can provide a period value to shift in order to form the difference. The
following code is an example of Pandas differencing.

• Warning is a built-in module of Python that handles the


warning messages.

• Pyplot is a submodule of Matplotlib that is used to


design the graphical representation of the data.

import pandas as pd
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings("ignore")
df = pd.read_excel(r'\Data\India_Exchange_Rate_Dataset.xls',\
index_col=0,parse_dates=True)
diff = df.EXINUS.diff()

plt.figure(figsize=(15,6))
plt.plot(diff)
plt.title('Detrending using Differencing', fontsize=16)
plt.xlabel('Year')
plt.ylabel('EXINUS exchange rate')
plt.show()

Figure 1-6 shows the data without a trend by using Pandas


differencing.

8
Chapter 1 Time-Series Characteristics

Figure 1-6. Trend removal using differencing

Detrending Using a SciPy Signal


A signal is another form of time-series data. Every signal either increases or
decreases in a different order. Using the SciPy library, this can be removing
the linear trend from the signal data. The following code shows an example
of SciPy detrending.

• Signal.detrend is a submodule of SciPy that is used to


remove a linear trend along an axis from data.

import pandas as pd
import matplotlib.pyplot as plt
from scipy import signal
import warnings
warnings.filterwarnings("ignore")
df = pd.read_excel(r'\Data\India_Exchange_Rate_Dataset.xls',\
index_col=0,parse_dates=True)
detrended = signal.detrend(df.EXINUS.values)

plt.figure(figsize=(15,6))
plt.plot(detrended)
plt.xlabel('EXINUS')

9
Chapter 1 Time-Series Characteristics

plt.ylabel('Frequency')
plt.title('Detrending using Scipy Signal', fontsize=16)
plt.show()

Figure 1-7 shows the detrended data using SciPy.

Figure 1-7. Removing a linear trend in a signal using SciPy

Detrend Using an HP Filter


An HP filter is also used to detrend a time series and smooth the data. It’s
used for removing short-term fluctuations. The following code shows an
example of HP filter detrending.

• Hpfilter is a submodule of Statmodels that is used to


remove a smooth trend.

import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.filters.hp_filter import hpfilter
import warnings
warnings.filterwarnings("ignore")
df = pd.read_excel(r'\Data\India_Exchange_Rate_Dataset.xls',\
index_col=0,parse_dates=True)

10
Random documents with unrelated
content Scribd suggests to you:
VI

Viele Tage später. Ein Früh-August-Mittag.


In grünen Hecken ein rosa Kleid. In flachem Bastkorb
honiggoldene und graurote Himbeeren. Auf weißen Fingern hellroter
Saft.
Der Himmel blank. Der Lohegeruch zwischen den Beeten kräftig
und herb. Reseden, Himbeeren, Lavendel, Zentifolien: e i n
opalschimmernder Duft. In langsamen Stößen Lindenatem vom
Hause her.
Nur dieses! Und ein dickes Summen von Bienen.
»Mein Blut ist röter als das Blut der anderen!« erzählte sich
Marianne. »Julie wird klares hagebuttenrotes haben, bei Agnes
Elisabeth wird es sein wie lauter Geranien, meines ist schwer und
tief wie Burgunder-Rot.« Ihr Haar war an den Schläfen feucht
geworden. Sie strich es zurück. »Wenn die Welt keine rote Farbe
hätte! Alle Farben könnten fehlen, nur Rot nicht!« Sie bekam eine
plötzliche Sehnsucht, sich in rote Blüten zu legen. Daß sie schon in
der Heide wäre! Es war so heiß!
Mit langsamen Schritten ging sie dem träumenden Hause zu.
Im Milchkeller war eine klingende Kühle, graugrünes Licht und ein
Streifen Sonne mit zitternden Stäubchen. Der Bastkorb blieb auf dem
Holzregal stehen. Das rosa Kleid stand nun oben in der Haustür,
ganz überworfen von Schattenflecken, die von den Lindenblättern
kamen. Ein großer Strohhut hing nachlässig in der gerundeten Hand
und baumelte ab und zu ein bißchen hin und her. Nach einer Weile
beugte sich der Kopf nach vorn und wandte sich dann schnell um.
Der Entschluß war da.
»Gesche! Ich will noch ausgehen!« rief Marianne in die Diele
zurück, und irgendwo aus der Dämmerung kam eine Antwort. Dann
wurde der Hut in die Höhe gehoben und ließ sich auf dem Haar
nieder. Das rosa Kleid wanderte an den Malvenstöcken vorbei, durch
das weiße Gitter.
Marianne ging geradeaus, mitten in die Heide hinein. Eine breite
Hitze brannte auf dem Wege. Die Bäume standen steif; die Schatten,
die sich um die Stämme herum zeichneten, waren wie grüngemalte
Untersätze; wie aus einer Spielzeugschachtel aufgebaut sahen die
langen, in der Ferne sich verlierenden Reihen aus. Weißer Staub
krisselte in der Luft.
»Fast etwas zu heiß,« dachte Marianne. »Aber rund und weich.
Das gibt es nur im Sommer. Herbst ist eckig und dürr, Winter
verhungert und verhärmt, Frühling blaß und aufgeregt.«
Sie schlenkerte die Arme hin und her. Die Glieder waren wie
losgelöst, die Bewegungen glatt, wie schmelzendes Wachs. Das Kleid
schleifte über die Erde und wirbelte ein Wölkchen hinter ihr auf.
Hellgebacken standen die Kornfelder da. Der Buchweizen roch nach
Apfelgrütze. In rosigem Glanze schimmerte dahinter die Heide.
»Wie Himbeerglasur,« dachte Marianne. Sie bog in den schmalen
weißsandigen Weg ein. Es war nur eine breite Furche, in der große
Büschel Erika standen, zwischen Zittergras und Glockenblumen. Sie
ging langsam und träge, unschlüssig, ob sie nicht stehenbleiben
sollte. Ihre Füße, die der Sand bei jedem Schritt festhielt, zogen den
Körper beschwerlich durch das Gestrüpp. Von den krumpeligen
Kiefern kam ein staubiger Duft. Ab und zu kroch eine blaufeine Welle
von Moorrauch über den Hügel.
Libellen strichen auf mit einem feinen Saitenklang, und
Schmetterlinge glitten durch die Luft, wie gelbe Rosenblätter.
An der weichen Hügelbrust, wo die Birke so allein stand, setzte
sich Marianne hin. Sie legte den Hut neben sich in das Heidekraut
und streckte sich bequem aus. Die Gräser gaben ihr ein krauses
Gefühl am Halse. Sie holte das Taschentuch heraus und legte es
unter ihren Kopf. Dann huschelte sie sich zurecht und sah behaglich
in den Himmel.
Der Hügel glühte, und die Blumen standen wie aus lauter Glas.
Wenn der Erdhauch darüber glitt, gab es ein feines Klirren. Ihr Auge
ruhte träge auf dem kurzen Horizont, wo jeder Stiel und jeder
Strauch, jede Blüte und Blume auf den Himmel geklebt zu sein
schien.
Und das weite Heidebett wiegte und wogte sie ein. Sie war die
Königin in rosenseidenen Kissen unter einem Baldachin von Atlas.
Durch den Saal zog ein Klingen, wie von Musik, die drüben jenseits
des Flusses spielte; ein Summen schwoll und flachte sich, wie
Stimmen von Menschen, die in den Vorzimmern warteten, ihr zu
huldigen. Nun mußte einer kommen in Sammet mit Spitzen, mit
einem goldenen Degen und einer Feder auf dem Hut. Die Menge vor
den Türen sollte warten, er würde vor ihrem Lager knien und bittend
ihre Hände suchen. Mit halbgeschlossenen Augen sah sie ihn, und
ihre Lippen glühten. Sie wollte nicht zögern, ihn zu empfangen ...

Ein blanker Strohhut erschien plötzlich zwischen den Gräsern. Da


stand er eine Weile sehr vergnügt. Dann ging er weiter und
wanderte auf den Blumen dahin.
Nach einer Weile wuchs ein Stock in die Höhe, und bald darauf
hob sich der Hut. Ein rotes Gesicht, ein dunkler Bart, eckige
Schultern, ein grauer Anzug: der Lehrer.
Die da lag, erkannte ihn unter halben Lidern. Sie hielt den Atem
an und war ganz still.
Der Lehrer stand auf der Höhe, breit und mächtig. Er sah sich um.
Nun schien er zu erschrecken. Er schob den Kopf nach vorn. Eine
Weile Unschlüssigkeit. Dann wendete er sich brav zur Seite und stieg
den Hügel dort hinunter, nicht ohne den Kopf noch einmal
umzudrehen.
Dabei kam sie freilich nicht auf ihre Kosten.
»Herr Allm!«
Der Lehrer zuckte und wandte sich um. Er tat, als ob er sie
suchte, kam aber geraden Wegs mit steigenden Schritten auf
Marianne zu.
Sie hob die Schultern und stützte sich auf den Arm. Nun stand er
vor ihr und zog den Strohhut vom Kopfe.
»Ist dies Ihre Erholung nach der Schule?« Sie beschrieb träge mit
der Hand einen Kreis.
Von Lukas Allm kam keine Antwort. Er tastete mit den großen
Händen an der Krempe des Huts entlang.
»Gehen Sie oft hier spazieren?« fragte Marianne nach einer Pause.
»Ja, ja, sehr oft!« stotterte Lukas. »Ich — ja!«
Mariannes Fußspitze schaukelte auf und nieder.
»Wollen Sie hier ein bißchen ausruhen?«
Lukas’ Augen machten einen Spaziergang über die Linie ihres
Körpers hinab zu der trägen Bewegung des Fußes. Dann setzte er
sich bescheiden ihr gegenüber in das Gestrüpp.
»Wenn Sie erlauben.«
Marianne bedauerte, daß er sich nicht neben sie setzte.
»Erzählen Sie mir etwas!« bat sie weich und schmiegte den Kopf
wieder auf das Taschentuch.
Lukas Allm schwieg; er grübelte, wovon er sprechen könne. Von
den Kindern? Da wußte er gerade nichts. Von Evelyn? Das paßte
nicht. Von ...? Ja, wovon ...?
»Wissen Sie nichts?« fragte sie unter den Sträuchern.
Der Lehrer rückte sich zurecht und räusperte sich. »Die Heide ist
schön!« sagte er eilig.
»Ja,« kam es unbarmherzig zurück. Lukas Allm sah sie an, sah an
ihr vorbei, nun wußte er wieder nicht weiter. Es wurde ihm plötzlich
warm, die Zunge lag trocken am Gaumen, und im Halse gab es
kurze Stöße, die den Atem versetzten. Was war denn? Er saß hier
mitten unter der Sonne in einem Heidestrauch, und dort ... dort war
Marianne, dort lag sie, und er war mit ihr zusammen.
»Ja, ich gehe sehr oft hier spazieren!«
»Hm!« summte es.
»Immer, wenn die Schule zu Ende ist.« Er starrte auf das Kleid,
das über der Brust auf und nieder ging. Mit ihr allein, mit ihr
zusammen. Ein kleines Heldenlächeln ging über sein Gesicht. Und
doch wäre er jetzt gern in seiner Veranda gewesen, wo man sich so
einen kleinen gefährlich-behaglichen Traum wohl gönnen, ihn aber
auch schnell wieder beiseite stellen konnte. Hier aber saß er, hier
war e r, und da war s i e. Und alles war so hell, so heiß und wirklich.
Ein Rascheln erschreckte ihn.
Marianne richtete sich auf, stützte den Kopf in die Hände und sah
ihn an.
Sie sah ihn an. Mit schweren Augen! Und ihre Glieder sahen ihn
an, und ihre Lippen sahen ihn an.
Lukas Allm pflückte eine Blume und betrachtete ihre Blätter. Er
zwang die Augen hinunter.
Eine lange Pause.
»Ja,« sagte sie fest.
Lukas schlug die Augen empor. Er erschrak vor ihrem Blick.
Dunkelblau, unter langen blonden Wimpern. Von der Seite
schimmerte es rosa, eine Fülle von Rosa ... Plötzlich kam ein Duft
herüber, eine schwüle Welle. Ihre Haare flirrten vor seinen Augen.
»Woran denken Sie?«
Ein paar Bilder flogen ihm durch den Kopf, die Mutter, die
Schulstube, und verschwanden in der Luft. Im Mittagsglühen lag der
Körper vor ihm.
»Sie haben es dort heiß! Wollen Sie sich nicht hierher setzen?«
Marianne tat ihr Gesicht in die Blüten. Nun saß Lukas Allm neben
ihr, zwei Handbreit entfernt; ein Käfer krabbelte von seinem Rock auf
ihr Kleid. Ihre Hand glitt vom Gesicht und lag da vor ihm. Nackt lag
sie da, und sehnsüchtige Lust war in ihrer Rundung. Seine Augen
zog sie hinab. Die irrten eine Weile umher, dann blieben sie hängen
und kamen nicht fort.
Lukas Allm faßte ins Gras; nur zufällig berührte seine Hand die
weiche Haut. Nur zufällig hoben sich ihre Finger und blieben auf des
Lehrers breiter Hand liegen.
Nun verging eine lange Zeit. Keines rührte sich. Als wüßten sie
nicht, daß ihre Hände beieinander lagen ...
In Marianne war ein lässig genießendes Warten. Wie angenehm
war es doch, dies Warten in der Hand zu haben! Es war ein
hübsches Gefühl, zu wissen, daß er, der da neben ihr saß, abhängig
von ihr war. Nun wollte sie es noch ein Weilchen hinausschieben. Sie
dehnte sich.
Der ganze flimmernde Sommertag kam ihr zu Hilfe, tiefte das
Rosa, ließ die Haut leuchten, hob ihren Körper auf und zeigte dem
armen, hilflosen Lehrer, wie schön sie war.
Der wußte nun gar nichts mehr. Er starrte nur immer zur Seite,
dahin, wo der runde Hals im Kleide verschwand.
Marianne fühlte seinen Blick. Ein kleiner Triumph breitete sich in
ihr aus. Sie empfand etwas von unbegrenzter Machtmöglichkeit.
Aber auch ein flirrender Schleier schwebte vor ihren Augen, von der
Nähe eines Augenblicks, da sie bewußtlos lächelnd alle Macht
darangeben würde. Und wie sie daran dachte, stand dieser
Augenblick auch schon neben ihr, und sie griff nach ihm.
Ihre Finger preßten sich fest um des Lehrers Hand. Und dann zog
sie ihn langsam, ganz langsam zu sich herab.
Lukas Allm fühlte plötzlich ihren Atem und sah ihre schimmernde
Haut. Ein Brausen siedete in seinen Ohren. Dann schlug es über ihm
zusammen. Er fühlte feuchte Lippen ...
Vielleicht wollte er jetzt aufspringen und weglaufen, aber nun
legten sich ihre Hände weich um seinen Nacken und hielten ihn fest.
Und das änderte alles. Schließlich hatte er nicht umsonst seine
Jugend fern von allen Wirklichkeiten verträumt und in seiner
Heidestille eine Fülle unbewußter Sehnsucht und unverbrauchter
Empfindungskraft aufgespeichert.
Seine Hände tasteten nach ihrem Kopf, faßten ihr Haar, glitten
über den Hals und preßten ihren Körper.
Mit geschlossenen Augen lag Marianne da. Und er küßte ihre
Lippen, ihre Wangen, ihre Augen, ihren Hals. Sehnsüchtig sog er
ihren Duft. Er mußte Jahre wieder einholen, die vorübergedämmert
waren!
Oh, und Marianne ...! Gold und glühendes Rot wogte vor ihren
Augen. Schauer rieselten durch ihren Körper. Hierhin, dorthin flog ihr
Empfinden. Jetzt war es in den Lippen und nahm seine Küsse, nun
im Haar und zitterte unter seinem warmen Atem, nun wieder am
Hals und bog sich voll Lust unter dem Kribbeln seines Bartes. Der
ganze Leib ein Meer von Glut; ein Spannen in allen Nerven, ein
Loslassen, das leuchtend schwer dahinfloß, eine bebende Wonne,
die über ihrer Haut ausgestreckt war wie Seide oder Blumen oder
streichelnde Hände.
So küßten sie sich.
Bis er plötzlich sich schwer atmend aufrichtete, während Marianne
bewegungslos liegen blieb. Ein Gefühl von Leere. Eine unbestimmte
Farbe von Übersättigung. Ein paar stockende Gedanken: »Das
hättest du nicht tun sollen« und »Was nun?« und sogleich danach
eine brave, neugebackene Würde: »Nun bin ich verlobt!«
Und da unten im Grase nichts von alledem. Nur ein Weitertreiben,
ein Sich-Dehnen in lauwarmen Fluten.
Nach einer Weile wurden die Wellen flacher, und plötzlich schlug
Marianne die Augen auf, verwundert, als sei sie da irgendwo an den
Strand gespült und wüßte nicht, wo sie wäre.
Lukas Allm atmete auf.
Der Stolz auf seine neue Würde war klein geworden, als er sie
regungslos vor sich liegen sah. Ob ihr etwas geschehen sein
mochte?!
Was konnte das kleine Heidelicht von jenen Flammen wissen, die
in diesem jungen Körper glühten! Er hatte sie entzündet; nun sie
aufbrannten, bekam er es mit der Angst. Mit einer richtigen
Jungensangst.
Aber jetzt strich er sich erleichtert über die Stirn. »Nun sind wir
verlobt!« sagte er strahlend.
Marianne richtete sich auf und sah ihn erstaunt an. Plötzlich lachte
sie.
Lukas Allm machte ein befremdetes Gesicht.
»Wir sind nun verlobt!« betonte er wichtig.
»So!« sagte sie langgedehnt.
»Ja, natürlich!«
Auf seinem Gesicht lag bereits der Sonnenschein einer glücklichen
Ehe, in ein paar Falten hatten sich sogar schon einige wichtige
Sorgen niedergelassen. Er holte tief Atem.
Also am 5. August nach der Schule hatte er sich in der Heide mit
der dritten Tochter des verstorbenen Rechtsanwalts Hellwege
verlobt.
Noch dazu heimlich. Ja, er selbst wußte es kaum. Plötzlich war die
Liebe gekommen, »wie der Frühling auf leisen Sohlen«, hatte er
irgendwo einmal gelesen.
Er rückte näher und nahm Mariannes Hand. Nun mußte er wohl
von Liebe sprechen.
»Haben Sie,« stotterte er, »haben Sie ... hast du mich lieb?«
Er erschrak über seine Frage und freute sich doch zugleich. Das
spielte sich alles so ab, wie er es in Büchern gelesen hatte: Marianne
wurde rot und flüsterte »Ja« und entzog ihm ihre Hand.
Er war glücklich und stolz.
Aber Marianne stand auf und nahm ihren Hut.
»Du darfst es niemandem sagen! Und morgen mittag ...«
VII

Wenn Evelyn etwas Heimliches tat, so geschah es, wo die Äste der
breiten Kastanie einen Saal bildeten, dessen Tapeten stumpfgrüne
Blätter waren, während von der Decke ein Dämmerlicht
herniederfloß, wie von Flammen, die durch feine grüne Seide
hindurchzitterten. Es war der siebente Ast in der Höhe. Er war
breiter als die anderen und gab mit dem Stamm als Rückenlehne
einen bequemen Platz. Bequem, wenn man dünn war, nicht allzu
groß und dichtes blondes Haar als Kissen hatte.
Dort saß sie nun jeden Tag, nach Tisch, wenn Agnes Elisabeth
noch im Haushalt zu tun hatte, Julie in ihrem Zimmer las und
Marianne in der Laube an ihrem Tagebuch schrieb. Marianne schrieb
nämlich seit einigen Wochen auf goldgeränderten Seiten Gefühle
nieder.
Hier war die Erde weit weg von ihr, und in dem Stückchen Himmel
da oben gab es weite Möglichkeiten, in die ihre Träume ahnungsvoll
hineingingen.
Wenn ihr Kleid von den angehockten Knien herabglitt, dann war es
wie der Spitzenschleier einer Fee oder die seidene Schleppe einer
Prinzessin. Vielleicht auch nichts davon, nur eine schöne Linie und
das Bewußtsein, daß sie ihr zugehörte.
Der grüne Saal war heute eine Halle mit Bogenfenstern und
Säulen, morgen ein Garten mit fremden Bäumen, die es nirgends
gab, und Blumen voll kühlen Dufts.
Und Schmetterlinge kamen, sie zu besuchen, Kavaliere in Seide
oder träumende Boten von Märchenufern.
Ganz, wie es ihr beliebte.
Doch seit acht Tagen lag zwischen den Ästen eingeklemmt da
oben ein Buch. Und wenn Evelyn dort saß, dann sah man nur etwas
Weißes, das sich zusammenkauerte, und in der Mitte — alle Linien
schienen da hineinzulaufen — dieses grüne Buch.
Das war Jens Peter Jakobsens »Frau Marie Grubbe«.
Da las sie nun von allen den seltsamen Dingen, die es in der Welt
gibt. Mit kühlem Grausen las sie davon.
Und zum ersten Male streckte sie ihre Hände nach des Lebens
Wirklichkeiten aus.
Und was das Heimliche betrifft, so hatte Julie ihr das Buch nicht
geben wollen, aber sie hatte es sich genommen.
VIII

Mitten in die Farben des Herbstes hinein, die sich zu Tode glühten,
kam ein Brief von Heinrich Craner, der Agnes Elisabeths Adresse
trug.
Sie saß im Garten, als er ihr gebracht wurde, nähte an einem
Kleide für Evelyn und dachte darüber nach, daß Marianne in letzter
Zeit so angegriffen aussah.
Die Naht wurde zu Ende gebracht und der Brief dann langsam
geöffnet. Craner schrieb:
»Wenn ich mir überlege, daß Sie mich innerhalb der letzten sieben
Jahre nur ein paar kurze Stunden gesehen haben, daß diese
Stunden ausgefüllt waren von geschäftlichen Besprechungen, die für
gegenseitiges persönliches Verstehen wenig Raum gaben, so
kommen mir Bedenken, ob ich diesen Brief schreiben darf.
Mache ich mir aber klar, daß Sie dem Leben stets mit offnen
Augen gegenübergestanden haben, daß Ihr Blick nicht getrübt
worden ist durch konventionelle Brillengläser und scharf geblieben
durch die klare Atmosphäre Ihres stillen selbstbewußten Lebens, daß
Ihre gerade Natur nur Ursprüngliches und Unmittelbares verlangen
kann, so weiß ich, daß ich diesen Brief schreiben muß. Also schreibe
ich ihn.
Was nun kommt, möchte von einer Empfindung sprechen. Ich
zweifle, ob es mir gelingen wird, ihr Ausdruck zu geben. Ich bin nicht
gewöhnt, von meinen Gefühlen zu reden, und es fällt mir in der
gegenwärtigen Lage doppelt schwer, da es mir bisher nicht gelungen
ist, festzustellen, ob Ihr Inneres auf dieselbe Tonart gestimmt ist wie
das meine.
Aber auch eine in dürftige Hülle gekleidete Empfindung werden
Sie erkennen, wenn sie nur überhaupt einen Wert für Sie hat.
Ich liebe Sie.
Darf ich Ihnen erklären, wie es dazu kam?
Ich habe in meinem Leben vielleicht mehr über mich nachgedacht,
als die meisten zu tun pflegen. Ich habe schon von Kind auf die
Gewohnheit gehabt, mich nicht mit allgemeinen Glückswerten
zufrieden zu geben, sondern mir auf eigne Faust mein bißchen Glück
zu erkämpfen.
Es ist mir gelungen. Nach mannigfachen Zickzackwegen natürlich,
die aber, wenn ich sie von mühsam erreichter Höhe nun
rückschauend betrachte, doch eine gerade Linie bilden.
Die Lebenserfahrung, die ich nach innerem Streit im
Studierzimmer, nach äußeren Kämpfen an Krankenbetten, in
Hospitälern und auf sonnenbrennenden Schlachtfeldern Südafrikas
gewinnen durfte, ist die: Glück heißt: Persönlichkeit sein und aus der
Fülle eigner Kraft andere glücklich machen. Ich darf sagen, daß ich
mir dies Glück zu eigen gemacht habe.
Aber nun will es mir nicht mehr genügen.
Seit einigen Monaten bin ich mir darüber klar geworden, daß eine
Sehnsucht in mir lebt, die schon jahrelang unbewußt geschlummert
hat. Es hat lange gedauert, bis ich wußte, was das Ziel dieser stillen
Sehnsucht ist. Jetzt weiß ich es!
Alle Menschen, denen ich bis heute äußerlich nähergestanden
habe, waren mir innerlich fremd. Aber ich brauche jemand, der mich
etwas angeht, der nach mir greift mit Liebe und mich festhält mit
Verstehen.
Harte Hände, die in mein Leben hineinfassen und es rütteln, und
doch auch weiche Hände, die es milde streicheln.
Als ich Sie vor vier Monaten verließ, wußte ich, daß Sie für mich
bedeuten können, was ich brauche. Das war zunächst eine kühle
Überlegung. Mit jedem Tage, den ich bei meiner Arbeit durchlebte,
wurde sie mehr und mehr verdrängt durch ein herzliches und inniges
Gefühl für Sie.
Ich komme zu Ihnen als ein Bittender, doch nicht um Opfer. Was
ich Ihnen geben kann, ist nur ein Leben voll Arbeit unter den
erschwerten äußeren Bedingungen eines ungünstigen Klimas. Arbeit,
aber vielleicht auch Ruhe, gewisse, fröhliche Ruhe, die nur die Arbeit
geben kann. Und Liebe! Keine amour, aber ein treues, ehrliches
Empfinden!
Ich bitte Sie nicht um eine schnelle Antwort! Ich werde am 29.
Oktober zu Ihnen kommen und mir meine Antwort selbst holen.
Heinrich Craner.«

Eine Weile sah Agnes Elisabeth regungslos vor sich hin. Vorerst
verstand sie nichts von diesem Brief; er traf sie plötzlich und
unerwartet; sie war erschrocken und unfähig, einen Gedanken zu
fassen. Langsam gingen ihre Augen über die vergilbten Rasenflächen
und den Wollstoff auf dem Tisch und blieben wieder auf dem Bogen
liegen. »Auch weiche Hände, die es milde streicheln ...« Plötzlich
wachte in ihrem Nacken ein Feuer auf, verbreitete sich rasch über
ihren Rücken, fuhr hinab bis in die Fußspitzen, loderte hinauf zum
Scheitel. Sie lehnte sich weit zurück, ließ die Hände herabsinken und
warf den Kopf nach hinten. Und dann fuhr die Erkenntnis durch sie
hindurch: Da war jemand, der hatte sie lieb!
Das packte sie jäh. Das ergriff sie wie ein Taumel. Sie sprang auf
und ging in den Garten. Unten am Wasser saß Evelyn, mitten im
Sonnenschein.
»Pass’ auf, ich kriege dich!« rief sie ihr zu.
Die Kleine war schnell auf den Beinen und lief über den Rasen.
Nun wurde es ein Tollen und Jagen, mit fliegenden Kleidern und
lautem Gejuchze. Evelyn rannte durch die Tannenallee zum Wasser
hinunter.
Agnes Elisabeth lief ihr nach, blieb aber plötzlich stehen und sah
sich um. Vor ihr stand die Masse einer Rotbuche, auf deren
blutenden Blättern mattes Gold schimmerte, dicht über Rasens Höhe
karmoisinrote Kugeln von Georginen, und etwas höher, lang und
schmal, weinrote Haselnußgerten. Dort drüben die kupferhelle
Freudigkeit breiter Ahornzweige, die sich lachend vor dunkle Tannen
drängte. Und ganz hinten, ein Spott auf des Herbstes Sterben: in
dürrem Gebüsch gleißendes Scharlachrot. Und dies alles jauchzte ihr
zu, schrie und jubelte.
Oh, sie hätte ihre Arme ausbreiten mögen nach diesen tausend
Flammen brennenden Rots, die eigens für sie entzündet waren. Und
die Flut des Sonnenlichts hätte sie trinken wollen, durstig, und
zitternd unter der Bürde ihres Glücks.
Eine Bürde war es ...! Wie sie weiterging, waren ihre Schritte
schwer, als müßten sie sich beugen, — wie heißes Gold rann das Blut
durch ihre Adern. Und irgendwo da drinnen war eine Last, die alle
Glieder müde machte.
Aber sie dachte nichts anderes, als daß sie diese Last tragen
dürfte, jetzt noch wie in einem Traum, und nun mit Gewißheit.
Mit Gewißheit ...!
Trotzdem freilich wußte sie noch nicht, was sie mit Craners Brief
anfangen sollte.
IX

Eines Morgens erwachte der Pastor mit dem Gedanken, daß es


wohl Christenpflicht sei, sich wieder einmal um die verwaisten
Schwestern zu kümmern. Da es noch vor sieben war, legte er sich
auf die andere Seite, zog das Federbett höher und überlegte sich die
Sache: Die langen Abende begannen; man konnte nicht immer
Bücher lesen, vielleicht wäre es ganz nett, einen Verkehr
anzufangen.
Aus dem Bett neben ihm kam ein Seufzen. Hinter dem Berg von
Kissen tauchte die Nachtmütze der Pastorin auf.
»Gottfried! Es ist sieben!«
Das Rasseln des Weckers, der auf der Marmorplatte des
Waschtisches stand, fuhr frech in die morgendliche Stille.
»Ich sage ja, genau mit dem Glockenschlag wache ich immer
auf!« lobte es auf der weiblichen Seite.
Gottfried Gerlach wandte sich und sandte ihr einen begrüßenden
Blick.
»Es scheint zu regnen,« meinte sie und hob sich in die Höhe.
»Natürlich! Also wieder keine Wäsche aufzuhängen!«
Er überlegte, ob er ihr von seinem Plan sprechen sollte. Sehr
günstig war der Augenblick nicht. Lieber noch ein Weilchen warten!
Er stand auf und zog sich an. Später, beim Waschen, als er mit
den Armen im Becken herumfuhr, bemerkte er beiläufig:
»Eigentlich sollte man die Hellweges wohl mal einladen!«
Die Pastorin zog gerade einen roten Moirérock über.
»Warum? Das haben wir doch nicht nötig!« sagte sie und
arbeitete mit den Ellbogen den Rock herunter.
Der Pastor griff nach dem Handtuch und rieb sein Gesicht.
»Nötig ja nicht! Aber die verlassenen Waisen könnten etwas guten
Einfluß schon gebrauchen!«
Der »gute Einfluß« überredete Betty stets. Sie fand nun auch, daß
es gut wäre, auf die jungen Mädchen einzuwirken. Sie erinnerte sich
plötzlich, daß die Kleine bei Hellweges immer so naseweise Fragen
stellte, daß Julies Mundwinkel spöttisch zucken konnten, wenn sie
mit ihr sprach.
»Ohne jede Erziehung!« sagte sie. »Es ist wahr, Gottfried, wir
haben Pflichten!«
Die Mission war erkannt, und man ging ihr sofort zuleibe. Die
Schwestern wurden feierlich zum Abendbrot geladen, und damit es
sich auch lohne, forderte man auch den Schullehrer mit seiner
Mutter und Hinrich Teetje auf.

Dies war nun die Abendgesellschaft.


Die Hängelampe schummerte über dem Tischtuch. Ein Geruch von
Braunbier und Schinken stieg von der Tafel und mischte sich in den
Ecken, wo die zwei Blumenetageren standen, mit dem welken Duft
letzter Rosen.
Da saßen sie alle einträchtig, eines neben dem anderen.
Mine, das Mädchen, stand an der Tür und glotzte mit
aufgerissenen Augen auf das, was am Tisch geschah. Warum das
nur immer schnackte und redete?! Wenn man bei Tisch saß, dann aß
man und sprach nicht. Das älteste Fräulein Hellwege hatte ein Kleid
von schierer schwarzer Seide an. Und die zweite schien Herrn Pastor
richtig auszuschimpfen.
»Ich nehme nur Goldreinetten. Und ich lasse den Saft einkochen,
bis er braunschwarz wird,« erklärte die Pastorin.
»Kochen Sie auch Gelee ein?« kam es von Frau Allm.
»Nein, mein liebes Fräulein Julie, an und für sich habe ich nichts
gegen das Studieren; aber der Beruf der Frau liegt auf einem
anderen Gebiete!« sagte Gerlach bedeutungsvoll.
»Das kommt auf die Persönlichkeit an,« meinte Julie. Auf ihrem
Gesicht lag eine matte Farbe, wie errötende Bronze. War es nicht,
als hätte man eine feine Radierung in eine Bauernstube gehängt!?
Das Holzbraun des Kleides, das flüchtende Braun des Haares, das
Golddunkel der Aster im Haarknoten ...
Der Pastor hingegen fand, daß Braun nicht ihre Farbe sei.
Zwischen Wurstbroten und weichem Ei setzte er sein Gespräch mit
ihr fort. Er hatte sich heute bis an die Zähne gewappnet. Sich
bloßstellen, wie neulich, wollte er nicht wieder. Sie schien auch
nachgiebiger zu sein. Übrigens, das mußte er ihr lassen: ein klares
Denken hatte sie.
»Nein, weißt du, aus allen den kleinen gelben Viehchen sind nun
große weiße Enten geworden!« erzählte Evelyn ihrem kleinen
Nachbarn, dem siebenjährigen Hermann des Pastors. »Und auch die
Hängematte ist wieder heil, durch die Marianne damals durchfiel.«
Sie zeigte auf die Schwester, die in einer farbenfrohen Seidenbluse
stumm und strahlend neben Lukas Allm saß. Hätte nicht das
Tischtuch ein zuckendes Fältchen geworfen, wären nicht beider
Arme in einem Bogen zueinander geneigt gewesen, man hätte von
einer Unterhaltung zwischen den beiden nichts bemerkt. Evelyn
wollte just über dieser Betrachtung den kleinen Hermann vergessen,
da lag schon seine schmierige Patschhand auf der Seide ihres
Ärmels.
»Du — und?« Die blauen Augen strahlten. »Dann schaukelst du
mich wieder so hoch, daß ich in die Bäume fliege!?«
So hatte jeder sein Teil.
Hinrich Teetje saß, und seine grauen Augen saugten sich fest in
rotem Haar.
Er wußte nicht, ob das schicklich war. Er wußte überhaupt nichts
von dergleichen Dingen. Er wußte nur, daß das ein Feuer anfachte,
und daß er still dasitzen mußte, damit es gut brenne.
Und sie, die seinen Blick fühlte, dachte an Heinrich Craner und
gab Hinrich einen freundlichen Blick. Wenn ein Luftzug kommt,
brennen Flammen heller.
Mine kicherte. Ihr Pastor bückte sich und hob Fräulein Hellweges
Serviette auf.
»Ich hatte neulich einen Brief von Herrn Craner, er schrieb mir
über Evelyns Stunden und ihre Konfirmation.«
»Die Pfauen tragen eine Krone auf dem Kopfe.«
»Essen Sie Äpfel nicht gerne, Fräulein Marianne?« So hatte es
endlich zu einem Satze gereicht.
»Sie ist eine reizende Frau, Ihre Tante Sophie.«
»Ich will auch niemandem eine Freude machen!«
»Ich danke Ihnen auch schön für Andersens Märchen, Frau Allm!«
»Hat es Ihnen gefallen, Fräulein Eva?«
Der rote Saftpudding!
Und dann: »Hab’ Dank für Speise und Trank!«
Der Pastor stellte mit einer gewissen Genugtuung fest, daß Julies
Blick während des Betens zerstreut über die Wände ging. Er folgte
ihm. Doch als sie sich drüben im Spiegel fanden, senkte er strafend
die Augenlider.
Unter allgemeinem Stühleschurren kam man ins Wohnzimmer.
»Nun, mein lieber Teetje, was machen Ihre landwirtschaftlichen
Studien? Gehen Sie noch mal wieder nach Berlin zurück?«
Teetje antwortete schwerfällig, aber seine Stimme war schön und
brachte Fülle in das unbewohnt riechende »beste Zimmer« des
Pfarrhauses.
»Ich muß zusehen! Ich weiß es noch nicht genau, Herr Pastor! Mit
Vater seiner Gesundheit wird es immer wackeliger! Es wird mir
schwer genug werden, das Lernen aufzugeben. Wenn er mich
braucht, muß ich natürlich hier sein.«
»Auch, wenn Sie mitten im Lernen sind?« fragte Julie interessiert.
»Gewiß, Fräulein.« Da war kein Zweifel.
»Sie können ja Ihre Arbeit auch hier draußen weiterbringen,«
sagte Agnes Elisabeth freundlich vom Sofa her, wo sie neben Frau
Allm saß.
Hinrich Teetje wurde heftig.
»Nein! Eins oder das andere! Lernen oder wirtschaften! Die
Bücher oder der Hof!«
Sein schmales, fast rassereines Gesicht tiefte sich in einer Farbe,
die irgend etwas Innerliches zudeckte.
»Aber Sie entscheiden sich nicht für die Bücher, auch wenn Sie sie
lieber mögen?« fragte Julie gespannt.
»Nun mögen Sie für Ihre Ansicht reden,« lächelte der Pastor.
»Diesen werden Sie nicht bekehren.« — Seine Zigarre qualmte in
dicken Schwaden.
»Bekehren, das wissen Sie, Herr Pastor, ist nicht mein
Geschmack.« Wie dieser Hinrich Teetje wohl mit einer Zigarette
aussehen würde? dachte sie.
»Nein!« sagte Hinrich schlicht.
»Schade!« Julie interessierte sich für ihn. »Warum tun Sie nicht,
was Ihnen Freude macht?«
»Ich habe meinem Vater, als er mir erlaubte, in die Stadt zu
gehen, versprochen, daß ich kommen will, wenn er mich ruft, damit
i c h dann seine Arbeit tue.«
»Und ich meine,« sagte der Pastor und legte seine Hand auf
Hinrichs Schulter, »solche Kindesliebe hat höheren Wert als die Jagd
nach eigenem Glück.«
»Kindesliebe ist das nicht, Herr Pastor!« entgegnete Hinrich
Teetje. Damit schloß er zu, und man hörte an dem Abend kein Wort
mehr von ihm.
Wo des Pastorhauses einzige Palme stand, saßen Marianne und
Lukas Allm. Die Palmenhände verdeckten begehrliches Kichern und
halblaute Worte. Marianne schwamm im Vergessen alles Äußeren
und hatte als Stütze nur des Lehrers rote Hand. Das Halbdunkel der
Ecke gab ihr weite Träume, und die Luft der Prachtstube ließ sie sich
als würdige Lehrersfrau fühlen. Hin und wieder nippte sie von dem
süßen Stachelbeerwein.
Evelyn saß allein und blätterte in einem Bilderbuch des kleinen
Hermann, der schon zu Bett gegangen war. ›Am Himmel schön die
Sternlein stehn, die Glock’ schlägt zwei, sie gehn hinunter nach der
Reih’ ...‹
Das Gespräch floß in geschwätziger Breite dahin. Allmählich
dehnte es sich, stumme Blasen stiegen auf, endlich blieb es sachte
stehen.
Frau Allms Socke spitzte sich zum Zeh, Agnes Elisabeth erhob sich,
und nach Bedanken und Gutenachtsagen ging man auseinander.
Wenn Marianne und Lukas Allm sich noch zu einem
Zusammentreffen in der Heide am nächsten Mittag verabredet
hatten, so hatte man davon jedenfalls nichts gehört.
»Es sind junge Seelen; gute Eindrücke werden in ihnen haften
bleiben,« sagte der Pastor und schloß die Haustür.
X

Wie tote Städte standen die Torfhaufen nebeneinander, in geraden


Straßen, die verlassen waren. Hier eine Stadt, dort eine, alle
ausgestorben, als sei die Pest hindurchgegangen.
Der Wind fegte über das Moor. Aus der Ferne kam er heulend
heran, wimmerte über den Bäumen und prasselte hinten in die
Dorfstraße hinein. Staub wirbelte er auf, duckte Hagebuttensträuche
zu Boden, ließ Eichengebüsch klirrend erschauern und die entlaubten
Birken ihre Leiber zur Erde biegen. Alles, was noch Sommer war, riß
er ab und pfiff es in die Luft.
Drüben stand die Sonne. Zwischen Dunst ein matter Streifen und
in Schleiern eine kalte Kugel. Es war kein Licht, das von ihr kam;
eine Blässe, die nur traurig war, ein Glanz wie blindes Messing.
Feindschaft war heraufgekommen aus toten Winkeln und hatte alles
Glück und alles Jubeln verstummen lassen. An Licht und Sonne
mochte man nicht glauben und ließ es gehen, wie es ging.
In der Mitte der Straße ging Agnes Elisabeth. Der Wind preßte sich
fest an sie, so daß das Kleid wie nasse Tücher um ihre Formen
klebte. Sie lehnte sich dagegen. Der Sturm wußte, daß sie ihm
gehörte.
Just, als die gelbe Scheibe sich hinter graue Schwaden versteckte,
erschien unten, wo die Chaussee mit kreisrunder Öffnung in der
Ferne verschwand, ein dunkler Punkt. Er wurde größer, und dann
erkannte Agnes Elisabeth, daß es der war, den sie erwartete.
Ihre Füße fingen zu laufen an. Sie lief, bis sie bei ihm war. Nun
stand sie vor ihm und wußte erst jetzt, daß sie gelaufen war.
Eben noch hätte sie ihre Arme um ihn werfen mögen, hätte sich
an ihn pressen, ihn küssen mögen, nun konnte sie nichts von
alledem. Demütig stand sie und wartete.
Heinrich Craner nahm ihre Hände und neigte sich über sie, aber er
wagte es nicht, sie zu küssen. War er erschrocken darüber, daß sie
so auf ihn zugeflogen war, mit wirrem Haar, das wie Flammen flirrte,
mit ungestümen Bewegungen, leidenschaftlich, und doch kalt!?
Jedenfalls schien es ihm, als seien in ihrer Gestalt alle Stimmungen
dieser Herbstesherbheit vereinigt: ein Brausen über unendliche
Flächen der Sehnsucht, ein Rütteln an allem, was einengte, freilich
auch nur blasses Licht, das kaum noch an sich glauben mochte.
»Ich danke Ihnen, daß Sie gekommen sind!« sagte er ruhig.
Agnes Elisabeth machte eine abwesende Bewegung. Noch war sie
wie im Traum; alles war so selbstverständlich geschehen, ohne daß
sie etwas dazu getan hatte; sie hatte das Haus verlassen,
mechanisch die Richtung zum Bahnhof eingeschlagen, war immer
weiter gegangen, bis sie ihn sah, und dann war sie ihm
entgegengelaufen. Aber nun sie neben ihm schritt, fühlte sie
plötzlich eine Verwunderung, die irgendwoher von außen zu
kommen schien, vielleicht von den Bäumen, die ihre Köpfe
schüttelten, von dem zweifelnden Blick der Sonne, die sich aus dem
Dunst wieder herausquälte.
Craner ging eine Weile schweigend neben ihr her und versuchte
hin und wieder ihren Blick zu finden. Aber der war zur Erde geneigt.
— Plötzlich — es schien, als habe er nur darauf gewartet, daß sie die
Brücke überschritten — begann er:
»Sie haben meinen Brief verstanden, nicht wahr? Ich weiß es; Sie
wären sonst nicht gekommen, nicht so gekommen.«
Agnes Elisabeth erschrak. Hatte sie sich etwas vergeben? Kurz
darauf aber dachte sie daran, daß er sie lieb hatte, und gleichzeitig
erwachte Wärme in ihr.
Craner mochte sie fühlen.
»Ich möchte Ihnen sagen, wie glücklich ich darüber bin. Was ich
Ihnen schrieb, habe ich bisher keinem Menschen gesagt. Das
Vertrauen fehlte mir. Bei Ihnen habe ich nicht einen Augenblick
gezögert.«
Ein froher Stolz breitete sich in ihr aus, mehr noch, ein glückliches
Gefühl der Zusammengehörigkeit.
»Und das andere,« fuhr er zögernd fort; »daß ich ...«
Es war Agnes Elisabeth nicht möglich, ihm zu helfen. Nicht, weil
sie zu schüchtern gewesen wäre; sondern einfach, weil sie nicht
verstand, von Liebe zu sprechen.
Craner gab sich einen Ruck.
»Ja! Ich habe Sie lieb!«
Das wurde kurz und trocken hervorgestoßen. Aber es berührte sie
unmittelbar. Sie drehte jäh den Kopf und sah ihn an.
Aber Craner blickte nach den Torfstädten hin; als dürfe er sich
nicht beirren lassen, sprach er heftig weiter: »Und ich brauche Ihre
Liebe. Sie wissen nicht, was es heißt, da unten zu sitzen, fern von
aller Kultur, auf sich selbst angewiesen, ohne irgendeine Möglichkeit,
geistig weiterzukommen.«
Er hielt inne und suchte mit den Augen zwischen den Bäumen. Er
wußte gar nicht mehr, worauf er eigentlich hinauswollte.
Agnes Elisabeth hatte gespannt zugehört, um ihn zu verstehen.
Der Sturm riß seine Worte weg; sie mußte sich mühen, sie
aufzufangen. Sie begriff nur, daß er nicht glücklich war und sie
brauchte. Das war auch alles, was sie hören wollte.
»Aber das meine ich eigentlich nicht,« sagte er, sich besinnend.
»Ich meine, man ist so allein! Die paar Menschen, die ich hatte,
bedeuteten nichts für mich. Und ich ...«
Agnes Elisabeth wunderte sich plötzlich, wie zaghaft dieser Mann
war, der ihr doch damals ein Gefühl von Sicherheit hatte geben
können. Das rührte sie. Sie empfand, daß etwas Verwandtes in ihnen
war. Allein, o ja, allein war auch sie. Sie hätte es gern gesagt.
Aber Craner achtete nicht darauf.
»Ich brauche Sie so sehr!« sagte er kurz, fast hilflos.
Agnes Elisabeth hatte ihn plötzlich ganz vergessen. Sie dachte
nichts anderes, als daß ihr Leben einsam war. Sie wollte es einmal
aussprechen dürfen, reden ohne Aufhören von dieser Einsamkeit, in
der sie sich hinschleppen mußte, sie wollte sich ausweinen und ihren
Kopf anlehnen dürfen.
»Wollen Sie nun bei mir sein?«
Agnes Elisabeth nickte langsam mit dem Kopf. Eine unbestimmte
Empfindung wurde in ihr wach. Warum sprach er noch immer? Sie
wünschte, daß er schwiege, daß eine Stille käme, in der sie alles
vergessen könnte.
Aber er fragte weiter:
»Wollen Sie mir nicht einmal sagen, ob Sie mich liebhaben? Hast
du mich lieb, Agnes Elisabeth?«
»Ja, o ja!«
Es war, als ob etwas in ihr zerspränge, etwas anderes sich frei
machte. Ein Ton war darinnen, wie von brechenden Ästen.
Dann kamen jene Augenblicke, die allein in Agnes Elisabeths
Erinnerung an diesen Tag zurückblieben. Er nahm sie in seine Arme
und küßte sie. Er küßte sie mit der Empfindung eines einfachen,
gesunden Mannes.
Aber für sie war es mehr. Während er ihr nur einen Teil seines Ichs
geben konnte, schenkte sie ihm alles. Jede Farbe ihres Empfindens,
jede Linie ihres Körpers war Hingabe.
Nicht aus Liebe! Die Liebe allein hätte bei ihr solches nicht zuwege
bringen können. Sondern weil Agnes Elisabeth stark war, und weil in
dieser Stärke ihre Schwäche lag. Eine gefährliche Schwäche! Denn
eine, die allein und nur mit eigener Kraft gehen will, die muß damit
rechnen können, daß mitten auf der Straße des Lebens ein Durst
nach Liebe sie übermannt und eine Sehnsucht, ihre Arme um einen
Hals zu schlingen, und daß dann keiner da ist, dem sie es tun,
keiner, der ihren Durst stillen könnte. Diese Rechnung stimmte bei
Agnes Elisabeth nicht. Weder ihre Mutter, noch ihre Schwestern
waren dagewesen, wenn sie nach ihnen gerufen hatte; sie war so oft
am Wege liegen geblieben, sie hatte sich freilich wieder aufgerafft
und war mit trotzigen Lippen weitergelaufen. Wenn Schwestern und
Mutter dann kamen und nach ihr suchten, dann war sie schon weit
weg, an blühenden Gartenzäunen des Lebens, und bedurfte ihrer
nicht mehr. So waren sie aneinander vorbeigegangen.
Aber hier war einer da, als sie ihn brauchte.
Wie sie ihn küßte! Sie streckte ihre Arme aus und klammerte sich
an ihn ...
Als sie sich endlich aufrichtete und hastig seinen Arm nahm, war
es dunkel geworden. Wo die Sonne gestanden hatte, war nur
qualmender Dunst; aus dem Moor stiegen Schatten auf. Der Rest
von Licht, der auf Bäumen und Sträuchern gesessen hatte, war
zusammengesunken. Die Nacht kam eilig von allen Seiten.
Craner war es, der zuerst wieder Worte fand.
»Morgen will ich mit meinem Bruder sprechen. Er weiß noch
nichts. Er wird sich wundern.« Und er lachte.
Dieses Lachen war der Anfang von dem, was nun alles in kurzen
Worten schnell und schreckhaft zu Ende gehen ließ.
Sie faßte ängstlich nach seiner Hand. Er streichelte sie und sprach
weiter, ohne ihrer Angst zu achten:
»Und deine Schwestern ...?«
Vor ihren Augen flirrte etwas vorüber, was ganz schwarz war,
wogte und plötzlich zerriß. Dann schien es ihr mit einem Male, als ob
alles, was sie in der letzten halben Stunde erlebt hatte,
abgeschlossen und beiseite gestellt sei. Sie war wieder die Agnes
Elisabeth von früher; der da neben ihr ging, war ein fremder Mann.
Sie riß ihre Hand los:
»Nein, ich kann nicht! Ich muß bei den Schwestern bleiben.«
»Warum? Sie sind doch erwachsen.«
»Noch nicht.«
»Ist das ein Grund, ihnen solches Opfer zu bringen?«
»Ich habe Mama versprochen, bei ihnen zu bleiben.«
»So kann es deine Mutter nicht gemeint haben.«
Sie schwieg.
»Du hast nicht den Mut, glücklich zu sein?«
Sie schwieg. Nach einer langen Weile sagte sie: »Ich darf auch
nicht so weit von ihnen weggehen.«
»Du willst nicht mit mir kommen?«
»Jetzt nicht.«
»Später?«
»Später? — Willst du wiederkommen?«
Die Frage verhallte. Wohl antwortete er »Ja«, aber dieses Ja kam
ein wenig später, als sie gehofft hatte. Nun hörte sie es nicht mehr.
Craner sprach weiter, aber es ging an ihr vorüber, ohne daß sie es
verstand. Plötzlich blieb sie stehen: »Ich muß gehn. Ich danke
Ihnen. Und ich ...« Sie kam nicht zu Ende. Einen Augenblick stand
sie unbewegt. Dann wendete sie sich ab und ging in das Halbdunkel
zurück.
Mechanisch setzte sie Schritt vor Schritt. Es war, als wenn sie an
den Bäumen entlangglitte. Plötzlich empfand sie einen Schmerz. Sie
drehte sich um. Er war nicht mehr zu sehen. Ihre Gedanken waren
ausgelöscht, ihr Empfinden betäubt. Es tat wohl, zu stehen und sich
nicht zu rühren.
Bis Menschenstimmen herüberkamen, von drüben, wo ein
Landweg aus dem Moor herauskroch. »Wirst mich auch wieder
küssen?«
Dann ein unterdrücktes Kichern.
Agnes Elisabeth hob schwer den Kopf und kehrte um. Kurz vor
dem Dorfe erkannte sie in einiger Entfernung zwei Gestalten, die
nach einer Weile zwischen den Kastanienstämmen der Dorfstraße
verschwanden.
Sie kam an den ersten Bauernhof, der behäbig neben der Straße
lag. Der gehörte Hinrich Teetje, fiel ihr ein.
Als sie die Gartenpforte öffnete, dachte sie: Ob sich Marianne
niemals diesen wiegenden Gang abgewöhnen wird?

Agnes Elisabeth und Marianne saßen im Wohnzimmer.


In der Stille des Lampenlichts gingen Gedanken hinüber und
herüber. Es war ein erbitterter Streit, der schweigend gefochten
wurde.
Bei Marianne kämpfte jene draufgängerische Leidenschaft, die das
böse Gewissen gibt. Sie wußte sehr wohl, daß etwas nicht zu Recht
und in Ordnung war. Und darum machte sie tollkühne Ausfälle, um
künstlich Übergewicht zu erzwingen.
Agnes Elisabeth wurde als Gegner von ihr unterschätzt. Bei ihr
handelte es sich nicht um Recht oder Unrecht, sondern um die
Existenz. Sie kämpfte mit dem Letzten um ihre Stellung gegenüber
den Geschwistern. Weil sie diese halten wollte, hatte sie bereits eine
viel wertvollere darangegeben. Nun mußten wohl Erbitterung und
Haß auf ihrer Seite sein.
Sie behielt die Oberhand. Der Kampf war in Wirklichkeit schon
entschieden, als sie sich zum Fragen entschloß.
»Warum hast du kein Vertrauen zu mir, Marianne?«
»Wenn du keines zu uns hast!« flog es zurück.
Agnes Elisabeth duckte sich ein wenig.
Marianne machte ein herausforderndes Gesicht. Aber es dauerte
nicht lange. Agnes Elisabeth klappte ihr Buch zu und nahm es fest in
die Hand.
»Warum triffst du dich heimlich mit dem Lehrer?«
»Das ist meine Sache.«
»Nein!«
»Also gut! Ich liebe ihn!« sagte Marianne mit Stolz.
»Du mußt doch wissen, daß sich das nicht gehört. Du kannst doch
nicht mit einem fremden Manne in der Dunkelheit durch die Heide
laufen!«
»Übrigens sind wir verlobt,« sagte Marianne. Es gefiel ihr, die
Märtyrerin ihrer Liebe zu spielen.
»Das wird sich finden!«
»Ich heirate ihn doch!«
Eine Pause ging zwischen ihnen hindurch.
»Einen Dorfschullehrer!« Agnes Elisabeth schämte sich, dieses
Wort ausgesprochen zu haben.
»Darüber sieht man hinweg, wenn man liebt.« Marianne wollte ihn
sich erkämpfen. Pathos klang aus ihrer Stimme. Dies war der
Augenblick, in dem man zum Weibe heranreifte.
»Dann begreife ich nicht, warum Herr Allm noch nicht zu mir
gekommen ist oder an Onkel Wilhelm geschrieben hat.«
»Wenn du das nicht verstehst?! Meinst du, wir werden unser
Glück gleich den Verwandten preisgeben?«
»Hast du kein Gefühl dafür, daß du dir etwas vergibst? Nicht vor
den Leuten! Aber vor dir selbst! Wenn du im Dunkeln —«
»Im Dunkeln ist es viel interessanter!«
»Durch solche Heimlichkeiten müßte sich dein Empfinden verletzt
fühlen.«
Marianne schob den Stuhl zurück und lachte.
»Heimlichkeiten! Hast du übrigens keine, Agnes Elisabeth?« Sie
kam sich mit einem Male wie verheiratet vor. Nun war auch die
Neugierde da. »Ich kann dich ja verstehen! Da ich selbst so etwas
durchlebe!«
Die täppische Vertraulichkeit traf. Agnes Elisabeths Züge wurden
hart.
»Nein!« sagte sie schroff.
»Also nicht!« meinte Marianne pikiert und stand auf. Man hätte so
gut ein bißchen darüber reden können; aber wenn Agnes Elisabeth
nicht wollte! »Hast du Gesche mein Kleid zum Plätten gegeben?«
fragte sie kühl.
»Ja!«
Marianne schlenderte aus dem Zimmer.
Agnes Elisabeth wandte den Kopf. Erbitterung schwoll in ihr auf,
wie über eine Demütigung. Dieses junge Ding wollte über Liebe
reden ...?! Agnes Elisabeth biß die Zähne zusammen. Vielleicht
schmerzte sie weniger der törichte Vergleich, als daß sie selbst durch
ihn so klein wurde und übelnehmerisch mit Marianne zankte.
Sie stand auf. Das Zimmer blickte sie gleichgültig an, die Lampe
dämmerte.

You might also like