Multivariate Zeitreihenanalyse mit EViews 4.1

Größe: px
Ab Seite anzeigen:

Download "Multivariate Zeitreihenanalyse mit EViews 4.1"

Transkript

1 Multivariate Zeitreihenanalyse mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 30. Mai 2005, Redaktion: Frühwirth-Schnatter 1 Deskriptive Beschreibung 1.1 Transformation von Zeitreihen Mit Procs/Generate by equation können Sie eine Zeitreihe transformieren, indem Sie bei Enter equation die Transformation der Zeitreihe eintippen. Bei instationären Zeitreihen erhalten Sie mit rseries=dlog(series) die Zeitreihe der logarithmischen Zuwächse. series ist dabei der Name der ursprünglichen Zeitreihe. Die Standardscores der Reihe können Sie mit folgendem Befehl ermitteln: ^ Zusammenfassen mehrerer Zeitreihen Mehrere Zeitreihen können in EVIEWS zu einer Gruppe zusammengefasst werden, indem sie unter gleichzeitigem Drücken der Str-Taste einmal mit der Maus angeklickt werden. Doppeltes Anklicken des markierten Feldes führt zur Auswahl verschiedener Optionen. Mit Open group erhalten Sie ein Group-Window. Über View/Descriptive Stats/Individual samples erhalten Sie eine Tabelle mit Mittelwert, Standardabweichung (Std.Dev.) und höheren Momenten, sowie einen Test auf Normalverteilung (letzter sollte allerdings nur in Kombination mit den Histogramm interpretiert werden). Mit Open Multiple Series erhalten Sie für jede Zeitreihe ein eigenes Fenster. Über View/Histogramm, View/Correlogramm und View/Unit Roots können Sie sich ein Bild der individuellen Zeitreihen verschaffen. 1.3 Empirische Korrelationen Die simultane Korrelation erhält man mit View/Correlations/Pairwise Samples. Innerhalb einer Gruppe erhält man die Kreuzkorrelation nur zwischen den ersten zwei Zeitreihen. Mit View/Crosscorrelation erhält man sowohl vorwärts(leads) als auch rückwärts (lag) gerichtete Kreuzkorrelation. Lead und lag für i=0 ist die simultane Korrelation. Hat man mehr als zwei Zeitreihen, so müsste man eine oder mehrere neue Gruppen eröffnen, die nur jeweils nur Zeitreihen enthalten. Eine übersichtliche Darstellung der Kreuzkorrelation mehrerer Zeitreihen erhält man, indem man ein VAR-Modell mit Ordnung 0 schätzt (siehe unten) und dann den button View/Residual Tests/Correlogram mit der Option Graph wählt. 1

2 2 Schätzen eines VAR(p)-Modells 2.1 Das VAR-Window Ein VAR-Modell definiert man am einfachsten, indem alle Zeitreihen, wie im vorigen Abschnitt beschrieben, zu einer Gruppe zusammengefasst werden. Doppeltes Anklicken des markierten Feldes und Wahl der Option Open VAR eröffnet ein VAR-Window. Bei VAR specification bleiben Sie bei der defaultmäßigen Option unrestricted VAR. In der Box Endogenous erscheinen die Zeitreihen, die Sie in der Gruppe ausgewählt haben. Man kann hier bei Bedarf noch weitere Zeitreihen hinzufügen. Als einzige exogene Variable tritt die Konstante auf, die weggeschaltet werden kann (entfernen Sie das OK bei include intercept). Ausserdem ist es möglich, andere Zeitreihen als exogene Variablen aufzunehmen. Diese erscheinen nur als Prädiktoren, nicht aber als endogene Variablen. Schließlich müssen Sie die Ordnung des Modells in der Box Lag intervals wählen, nämlich 1 p für ein VAR(p)-Modell, wenn p>0. Ein VAR(0), d.h. ein Modell, das nur die Konstante enthält, schätzt man, indem man 0 0 eingibt. Mit OK wird eine Schätzung des Modells durchgeführt. Mit dem button Name können Sie das VAR-Window abspeichern. Stellt sich nach Interpretation der Ergebnisse heraus, dass Sie die Modellordnung verändern wollen, so führt der button Estimate wieder zu jener Box zurück, wo das VAR-Modell definiert wird. 2.2 Ablesen der Schätzergebnisse Der Standardoutput nach der Schätzung, der jederzeit mit dem button Stats angezeigt wird, gliedert die Schätzergebnisse folgendermaßen auf: 1. Die Schätzergebnisse der individuellen OLS-Regressionen in Tabellenform. Jede Spalte dieser Tabelle entspricht einer Regressionsgleichung (Zeile) im VAR-Modell (im Tabellenkopf scheint die entsprechende Zeitreihe auf). Jede Zeile im EVIEWS- Output entspricht einer Prädiktorvariablen. Der Name der Prädiktorvariablen ist links ausgewiesen, in Klammer ist der lag angegeben. Die Konstante erscheint am Ende der Tabelle. Der Tabelleneintrag ist die OLS-Schätzung des entsprechenden Parameters, sowie darunter in Klammer die Standardabweichung und in der 3. Zeile in Klammer der t-wert. Beim Ablesen der Elemente der Matrizen Φ 1,...,Φ p ist folgendes zu beachten. Die Koeffizienten in der j-ten Zeile dieser Matrizen werden aus der j-ten Regressionsgleichung bestimmt, diese Gleichung entspricht der j-ten Spalte im EVIEWS-Output. Die Koeffizienten der Matrix Φ k entsprechen vergangenen Werten zum lag k. Diej-te Zeile der Matrix Φ k wird daher im EVIEWS-Output aus der j-ten Spalte abgelesen, und enthält alle jene Koeffizienten in dieser Spalte, die zum lag k gehören, dh. die Bezeichnung (-k) tragen. Mit View/Representations wird das geschätzte Modell in Form von Gleichungen angeschrieben. 2. Es folgen weitere Ergebnisse der individuellen OLS-Regressionen, wie z.b. Bestimmtheitsmaß (R-squared), Fehlerquadratsumme SSR (Sum sq resids), die Standardabweichung Σ jj des Fehlerterms der j.ten Regression (S.E. equation), AIC und Schwarz Criterium(SC). 3. Mit View/Residuals/Covariance Matrix erhält man die aus den OLS-Residuen 2

3 geschätzte Kovarianzmatrix Σ des Fehlerprozesses, die mit View/ Residuals/ Correlation Matrix in (simultane) Korrelationen umgerechnet wird. 2.3 Beurteilen der Stationarität Zur Beurteilung der Staionarität werden die Eigenwerte der Matrix F in der VAR(1)- Darstellung des VAR(p)-Modells herangezogen. Diese Eigenwerte, die auch komplex sein können, müssen alle betragsmäßig kleiner als 1 sein. Mit der Option View/Lag structure/ar Root Table und View/Lag structure/ar Root Graph können die Eigenwerte tabellarisch bzw. graphisch dargestellt werden. Die Zahl der Eigenwerte beträgt mp für ein VAR(p)-Modell mit m Zeitreihen, mehrfache Eigenwerte sind möglich. 2.4 Residuenanalyse Mit dem Button Resids erhält man ein Bild der Residuen der einzelnen individuellen Regressionen. Bei View/ Residuals Test stehen verschiedene Test zur Überprüfung der Residuen zur Verfügung. Die Option View/ Residuals Tests/Correlograms erzeugt empirische Autokorrelogramme und Kreuzkorrelogramme, die je nach Wahl, graphisch oder tabellarisch dargestellt werden können. Mit den Optionen View/Residuals Tests/Pormanteau Autocorrelation Tests und View/Residuals Tests/Normality Tests können die Residuen auf Unkorreliertheit und Normalität gestestet werden. 3 Modellvergleich, Wahl der Modellordung Der Output der VAR-Schätzung enthält eine Bewertung des gesamten Modells am Ende der Tabelle, insbesondere ein aggregiertes AIC und Schwarz Criterium. Diese beiden Kriterien entsprechen minimierten Fehlerquadratsummen mit Straftermen, die von der Zahl der Parameter abhängen. Es wird jenes Modell gewählt, das das kleinste Kriterium besitzt. Besonders bequem ist die Option View/Lag structure/lag length Criteria. Hier werden, ausgehend von einem VAR-Modell mit beliebiger Ordnung, alle Modellordnungen von 1 bis zu jenem lag ermittelt, der hier eingegeben wird, mit verschiedenen Methoden verglichen (auch AIC und SC). 4 Granger Causalitätstest Mit der Option View/ Lag structure/ Pairwise Granger Causality Tests,kanngestestet werden, ob eine bestimmte Zeitreihe eine andere im Sinne von Granger beeinflusst. Dieser Test wird im VAR-Modell zeilenweise für jede Zeitreihe durchgeführt, und zwar paarweise mit allen anderen Zeitreihen. Es erscheint für jede Zeitreihe eine Tabelle, wo für jede andere Zeitreihe im Modell die Nullhypothese,,Keine Beinflussung durch die angegebene Zeitreihe getestet wird, mit einer Prüfgröße, die asymptotisch χ p verteilt ist, und zugehörigen p-werten. 3

4 5 Vorhersage mit VAR(p)-Modellen 5.1 Vorhersage von stationären Zeitreihen Zur Vorhersage muss ausgehend von einem VAR-Window mit dem Button Procs/Make Model ein Modell definiert werden. EVIEWS eröffnet automatisch ein Model-Window, mit dem Vorhersagen erstellt und ausgewertet werden. Eine Vorhersage initiert man mit dem button Solve. Man kann zwischen deterministischer Vorhersage (nur Punktvorhersage) und stochastischer Vorhersage (Simulation künftiger Werte) wählen. Wählt man eine stochastische Vorhersage, so kann in der gegenüberliegenden Box angegeben werden, ob Standardfehler der Vorhersage (Std Dev) und/oder Vorhersageintervalle (Bounds) ermittelt werden sollen. Wichtig ist die Eingabe der Vorhersagezeitraumes links unten (Solution Sample), d.h. Beginn und Ende der Vorhersage, z.b. bei monatlichen Beobachtungen bis Dezember 2003, geben sie den Bereich 2004:1 bis 2005:12 ein, wenn Sie eine Vorhersage bis Dezember 2005 erstellen wollen. Eine Fehlermeldung deutet darauf hin, dass Sie im workfile den Datenrahmen erweiteren müssen. Das geschieht direkt beim Workfile-Window, indem Sie die Option Proc Change Workfile Range wählen, und das Ende des Datenrahmen dem Vorhersagehorizont anpassen. Mit OK wird die Vorhersage berechnet und in neu generierten Reihen im Workfile abgespeichert. Defaultmäßig wird an die Namen der beobachteten Zeitreihen der Buchstabe 0 angehängt, wenn Sie eine deterministische Vorhersage erstellen. Bei stochastischen Vorhersagen wird der Buchstabe 0m für den Mittelwert, 0s für die Standardabweichung, und 0l und 0m für die untere bzw. die obere Grenze einer Intervallvorhersage angehängt. 5.2 Auswerten der Vorhersage 1. Graphische Darstellung: Mit der Option Proc/Make Graph wird die Vorhersage graphisch dargestellt. In der Box solution series kann im pull-down Menü festgelegt werden, welche Größen von Interesse sind, z.b. Mittelwert plus/minus 2 Standardabweichungen oder Mittelwert plus Intervallvorhersagen. Rechts unten wird der interessierende Zeitausschnitt durch Beginn und Ende in der Box Sample for graph angegeben. Die defaultmäßige Wahl von EVIEWS, mit Beginn und Ende der Beobachtungen, ist in jedem Fall bei Vorhersagen uninteressant. Da man im allgemeinen die Vorhersagen mit den Beobachtungen vergleichen will, wird man den Beginn dieses Bereiches so wählen, das er eine ausreichend lange Beobachtungreihe umfasst, während das Ende sinnvollerweise mit dem Ende des Vorhesagezeitraums übereinstimmen wird. 2. Tabellarische Darstellung: Mit der Option Proc/Make Group/Table wird eine Gruppe mit den vorhergesagten Zeitreihen gebildet. In der Box solution series kann im pull-down Menü festgelegt werden, welche Größen von Interesse sind, z.b. Mittelwert plus/minus 2 Standardabweichungen oder Mittelwert plus Intervallvorhersagen oder alle Ergebnisse einer stochastischen Vorhersage. Mit OK wird eine tabellerische Darstellung der Gruppe in einem eigenem Group-Window erstellt, wobei der defaultmäßige Zeitausschnitt von EVIEWS mit Beginn und Ende der Beobachtungen wiederum bei Vorhersagen uninteressant ist. Im Group-Window kann mit dem 4

5 button Sample der interessierende Zeitausschnitt wie bei der graphischen Darstellung angepasst werden. 5.3 Vorhersage von instationären Zeitreihen Instationäre Zeitreihen kann man vorhersagen, indem man die (logarithmischen) Zuwächse mit einem VAR-Modell modelliert. Man kann die Zuwächse explizit berechnen und als eigene Reihe abspeichern. Die Vorhersage liefert dann Werte für die Zuwächse, aber keine Vorhersage für die ursprüngliche Zeitreihe. Gibt man bei der Definition des VAR-Modells die Zuwächse als Funktion der ursprünglichen Zeitreihe ein, kann man Vorhersagen sowohl für die Zuwächse als auch die ursprüngliche Zeitreihe erstellen. Dazu braucht man ein leeres VAR-Window, das man im äußersten Eviews-Window durch Drücken des buttonquick/estimate VAR eröffnet. Im Fenster endogeneous variable werden die logarithmischen Zuwächse der einzelnen Zeitreihen als Funktion dlog(series1) dlog(series2).. angegeben. Dann werden zum Schätzen des Modells tatsächlich die Zuwächse verwendet. Die Vorhersage wird wie oben mit Make model und solve gestartet. Bei der graphischen bzw. tabellarischen Darstellung, die wie oben mit Proc/Make Graph bzw. Proc/Make Group/Table eingeleitet wird, gibt es dann die option transform, bei der man mit level die ursprüngliche, nicht-stationäre Zeitreihe vorhersagen kann. 6 Kontegration und Fehlerkorrekturmodelle für bivariate Zeitreihen 6.1 Kontegrationstest In EVIEWS kann der Test auf Cointegration nach Johansen durchgeführt werden. Der Test wird entweder ausgehend von einem Group- oder einem VAR-Window über View/Cointegration Test aufgerufen. Sie müssen spezifizieren, ob ihre Zeitreihen keinen Drift haben (VAR assumes no deterministic trend)oderschon(var assumes linear trend in data, default). Weiters müssen Sie sich entscheiden, ob die Kointegrationsbeziehungen einen Intercept haben (Intercept (no trend) in CE, default)odernicht(no intercept or trend in CE). Wenn Sie sich für die Standardeinstellungen (default) entscheiden, brauchen Sie nichts zu verändern. Zum Abschluss wählen Sie die Lag-Länge im VAR-Modell für die Differenzen. Mit OK wird der Test durchgeführt. Der Testoutput enthält in der linken Spalte die der Größe nach sortierten Eigenwerte. Die weiteren Größen in der i.ten Zeile entsprechen dem Testen der Nullhypothese maximal i-1 Cointegrationsbeziehungen (die Hypothesen sind in der Spalte ganz rechts formuliert). In der zweiten Spalte steht die Testgröße, in der dritten und vierten Spalte die kritischen Werte zum 5% bzw. 1%-Niveau. EVIEWS bietet Hilfe bei der Durchführung des Tests an. Ist die Hypothese in der Spalte ganz rechts mit 2 Sternchen versehen, so kann sie mit geringen Risiko einer Fehlentscheidung (kleiner als 1%) verworfen werden, hat sie 1 Sternchen, so kann Sie mit einem Risiko zwischen 1% und 5% verworfen werden. Kein Sternchen bedeutet nicht-verwerfen. Zusammenfassend gilt: 5

6 Besitzt keine der Hypothesen ein Sternchen, so kann die Hypothese Die Zeitreihen sind nicht-stationär und nicht kointegriert nicht verworfen werden. Die Zuwächse der Reihe sollten mit einem VAR-Modell beschrieben werden. Besitzen alle Hypothesen ein oder zwei Sternchen, so müssen alle getesten Hypothesen verworfen werden, und es fällt die Entscheidung zu Gunsten der Hypothese Die Zeitreihen sind stationär aus. Wenn die erste Hypothese verworfen wird, hingegen die zweite nicht (Sternchen nur bei der zweiten Hypothese), so sind die Zeitreihen kointegriert. 6.2 Schätzen eines Fehlerkorrekturmodells bei kointegrierten Zeitreihen Zunächst werden die Zeitreihen unter gleichzeitigem Drücken der Str-Taste einmal mit der Maus angeklickt und zu einer Gruppe zusammengefasst. Doppeltes Anklicken des markierten Feldes und Wahl der Option Open VAR eröffnet ein VAR-Window. Bei VAR specification wählen Sie die Option Vector Error Correction. In der Box Endogenous erscheinen die Zeitreihen, die Sie in der Gruppe ausgewählt haben. Zum Abschluss wählen Sie die Lag-Länge im VAR-Modell für die Differenzen. Bei einem einfachen Fehlerkorrekturmodell wird hier der Bereich 0 0 eingegeben. Mit OK wird die Schätzung durchgeführt. Im Output erscheint zunächst die geschätzte Kointegrationsbeziehung in der Form Y 1,t β 2 Y 2,t c = ε t, d.h. die erste Variable wird automatisch auf die linke Seite der Kointegrationsbeziehung gebracht. Ein Umordnen der Variablen ist in der Box Endogenous möglich. Es folgen die Schätzergebnisse für das Fehlerkorrekturmodell. Jede Spalte entspricht einer Zeile des Modells für die Differenzen. Der erste Parameter (CointEq1 ) gibt den Koeffizienten an, mit dem die Gaps der Kointegrationsbeziehung zum Zeitpunkt t-1 multipliziert wird. Bei Kointegrierten Zeitreihen sollte mindestens einer dieser Parameter signifikant von 0 verschieden sein (t-wert in der 3. Zeile in Klammer). Dann folgen wie bei einem VAR-Modell die Parameter der Differenzen sowie Kenngrößen der einzelnen Modellgleichungen. Ganz am Ende findet man aggregiertes AIC und BIC zum Modellvergleich. Residuendiagnose und Vorhersage läuft wie bei dem VAR-Modell. 6

Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:

Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell: Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y

Mehr

Zeitreihenanalyse mit EViews Klassische Zeitreihenanalyse. 4.1 Empirisches Autokorrelogramm. 4.2 Exponentielle Glättungsverfahren

Zeitreihenanalyse mit EViews Klassische Zeitreihenanalyse. 4.1 Empirisches Autokorrelogramm. 4.2 Exponentielle Glättungsverfahren Zeitreihenanalyse mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 28. April 2005, Redaktion: Wagner 4 Klassische Zeitreihenanalyse

Mehr

Darstellung eines VAR(p)-Prozesses als VAR(1)-Prozess

Darstellung eines VAR(p)-Prozesses als VAR(1)-Prozess Darstellung eines VAR(p)-Prozesses als VAR(1)-Prozess Definiere x t = Y t Y t 1. Y t p+1 Sylvia Frühwirth-Schnatter Econometrics III WS 2012/13 1-84 Darstellung eines VAR(p)-Prozesses als VAR(1)-Prozess

Mehr

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder

Mehr

Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":

Das Dialogfeld für die Regressionsanalyse (Lineare Regression) findet sich im Statistik- Menu unter Regression-Linear: Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur

Mehr

Fortgeschrittene Statistik Logistische Regression

Fortgeschrittene Statistik Logistische Regression Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E

Mehr

BEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001)

BEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001) AMOS - Bedienungsanaleitung 1 BEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001) A. Aufbau einer Inputdatei (Excel-Arbeitsblatt), welche eine Kovarianz- bzw. Korrelationsmatrix

Mehr

2 Implementierung des multiplen Regressionsmodells

2 Implementierung des multiplen Regressionsmodells Ökonometrisches Modellieren mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 10. Dezember 2004, Redaktion: Frühwirth-Schnatter 2

Mehr

2. Korrelation, lineare Regression und multiple Regression

2. Korrelation, lineare Regression und multiple Regression multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig

Mehr

Lineare Modelle in R: Einweg-Varianzanalyse

Lineare Modelle in R: Einweg-Varianzanalyse Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der

Mehr

Einfache statistische Auswertungen mit dem Programm SPSS

Einfache statistische Auswertungen mit dem Programm SPSS Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...

Mehr

Statistik Einführung // Lineare Regression 9 p.2/72

Statistik Einführung // Lineare Regression 9 p.2/72 Statistik Einführung Lineare Regression Kapitel 9 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Ledold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Lineare Regression

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

3. Einführung in die Zeitreihenanalyse

3. Einführung in die Zeitreihenanalyse 3. Einführung in die Zeitreihenanalyse Dr. Johann Burgstaller Finance Department, JKU Linz (Dieser Foliensatz wurde zuletzt aktualisiert am 25. Dezember 2007.) Dr. Johann Burgstaller IK Empirische Kapitalmarktforschung

Mehr

Kommentierter SPSS-Ausdruck zur logistischen Regression

Kommentierter SPSS-Ausdruck zur logistischen Regression Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer

Mehr

Multiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)

Multiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang

Mehr

Tutorium zur Makroökonomik

Tutorium zur Makroökonomik Universität Ulm 89069 Ulm Germany Dipl. WiWi. Sabrina Böck Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Tutorium zur Makroökonomik

Mehr

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression Institut für Soziologie Methoden 2 Regressionsanalyse I: Einfache lineare Regression Programm Anwendungsbereich Vorgehensweise Interpretation Annahmen Zusammenfassung Übungsaufgabe Literatur # 2 Anwendungsbereich

Mehr

1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen

1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen Modelle mit Interationsvariablen I Modelle mit Interationsvariablen II In der beim White-Test verwendeten Regressionsfuntion y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 2 1 + β 4 x 2 2 + β 5 x 1 x 2, ist anders

Mehr

Univariate Lineare Regression. (eine unabhängige Variable)

Univariate Lineare Regression. (eine unabhängige Variable) Univariate Lineare Regression (eine unabhängige Variable) Lineare Regression y=a+bx Präzise lineare Beziehung a.. Intercept b..anstieg y..abhängige Variable x..unabhängige Variable Lineare Regression y=a+bx+e

Mehr

Kurs 9.3: Forschungsmethoden II

Kurs 9.3: Forschungsmethoden II MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 01: Einführung EViews Oktober 2014 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Anmerkung 4 Das Hilfesystem von EViews 5 Workshop

Mehr

Datenauswertung mit Hilfe von Pivot-Tabellen in Excel

Datenauswertung mit Hilfe von Pivot-Tabellen in Excel Datenauswertung mit Hilfe von Pivot-Tabellen in Excel Begleitendes Manual zu den Workshops zur Datenerfassung und verarbeitung im Juni / Juli 2004 Datenauswertung mit Hilfe von Pivot-Tabellen in Excel...3

Mehr

Finanzmarkttheorie I. Performancemessung in EViews Übungsunterlage. Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015

Finanzmarkttheorie I. Performancemessung in EViews Übungsunterlage. Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015 Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015 Finanzmarkttheorie I Performancemessung in EViews Übungsunterlage Die vorliegende Unterlage liefert eine kurze Einführung in die Schätzung linearer

Mehr

Einführung in QtiPlot

Einführung in QtiPlot HUWagner und Julia Bek Einführung in QtiPlot 1/11 Einführung in QtiPlot Mit Bezug auf das Liebig-Lab Praktikum an der Ludwig-Maximilians-Universität München Bei Fragen und Fehlern: jubech@cup.lmu.de Inhaltsverzeichnis

Mehr

Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1

Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 LÖSUNG 9B a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Man kann erwarten, dass der Absatz mit steigendem Preis abnimmt, mit höherer Anzahl der Außendienstmitarbeiter sowie mit erhöhten

Mehr

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

Mehr

Musterlösung zu Serie 14

Musterlösung zu Serie 14 Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen

Mehr

Auswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro

Auswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro Auswerten mit Excel Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro 1. Pivot-Tabellen erstellen: In der Datenmaske in eine beliebige Zelle klicken Registerkarte Einfügen

Mehr

Aufgabenstellung Aufgabe 1: Betrachten Sie das folgende ökonometrische Modell: y t = α + βx t + u t (1)

Aufgabenstellung Aufgabe 1: Betrachten Sie das folgende ökonometrische Modell: y t = α + βx t + u t (1) Klausur: Einführung in die Ökonometrie Prüfer: Prof. Dr. Karl-Heinz Paqué Dr.Ludwigv.Auer Semester: WS 1999/00 Als Hilfsmittel sind zugelassen: nicht-programmierbarer Taschenrechner Diese Klausur besteht

Mehr

Ergänzung der Aufgabe "Mindestlöhne" zu einer multiplen Regression

Ergänzung der Aufgabe Mindestlöhne zu einer multiplen Regression Prof. Dr. Peter von der Lippe ( Übungsblatt E) Ergänzung der Aufgabe "Mindestlöhne" zu einer multiplen Regression Das Beispiel "Mindestlöhne" zur einfachen multiplen Regression ergab die folgenden Parameter

Mehr

Übung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell

Übung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010

Mehr

Ein Beispiel für die Anwendung von Methoden für Panel-Daten (Version 2)

Ein Beispiel für die Anwendung von Methoden für Panel-Daten (Version 2) Prof. Dr. Peter von der Lippe Jan 2011 (Version 1 war Febr. 2010) Ein Beispiel für die Anwendung von Methoden für Panel-Daten (Version 2) Im Folgenden beschreiben wir Verfahren und Erfahrungen mit EViews

Mehr

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1 Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...

Mehr

Doing Economics with the Computer Sommersemester 2002. Excel Solver 1

Doing Economics with the Computer Sommersemester 2002. Excel Solver 1 Universität Bern Kurt Schmidheiny / Manuel Wälti Doing Economics with the Computer Sommersemester 2002 Excel Solver 1 Mit dem Solver unterstützt Excel eine Funktion, mit der u.a. komplex verschachtelte

Mehr

Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1

Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Aufgabe 1: Betrachtet wird folgendes Modell zur Erklärung des Managergehalts salary durch den Umsatz sales, die Eigenkapitalrendite roe und die

Mehr

Standardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14.

Standardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14. Aufgabe : einfacher T-Test Statistik bei einer Stichprobe Standardfehl Standardab er des Mittelwert weichung Mittelwertes 699 39.68 76.59 2.894 Test bei einer Sichprobe Testwert = 45.5 95% Konfidenzintervall

Mehr

Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min

Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe

Mehr

Regression mit Gretl Eine erste Einführung 1

Regression mit Gretl Eine erste Einführung 1 Kurzeinführung in Gretl S. 1 Regression mit Gretl Eine erste Einführung 1 Installation: Gretl für das entsprechende Betriebssystem herunterladen und die Setup-Datei ausführen. Hinweis: Für die Benutzung

Mehr

Tutorial: Regression Output von R

Tutorial: Regression Output von R Tutorial: Regression Output von R Eine Firma erzeugt Autositze. Ihr Chef ist besorgt über die Anzahl und die Kosten von Maschinenausfällen. Das Problem ist, dass die Maschinen schon alt sind und deswegen

Mehr

Versuchsauswertung mit Polynom-Regression in Excel

Versuchsauswertung mit Polynom-Regression in Excel Versuchsauswertung mit Polynom-Regression in Excel Aufgabenstellung: Gegeben sei die in Bild 1 gezeigte Excel-Tabelle mit Messwertepaaren y i und x i. Aufgrund bekannter physikalischer Zusammenhänge wird

Mehr

FACHHOCHSCHULE LAUSITZ Prof. Dr.-Ing. M. Strunz Lehrgebiet Projektmanagement Übungsskript 1

FACHHOCHSCHULE LAUSITZ Prof. Dr.-Ing. M. Strunz Lehrgebiet Projektmanagement Übungsskript 1 1.3 Break-Even-Analyse FACHHOCHSCHULE LAUSITZ Prof. Dr.-Ing. M. Strunz Lehrgebiet Projektmanagement Übungsskript 1 Das folgende Beispiel behandelt die Break-Even-Analyse. Das ist ein Verfahren, bei dem

Mehr

3.4 Histogramm, WENN-Funktion

3.4 Histogramm, WENN-Funktion 3.4 Histogramm, WENN-Funktion 3.4.1 Aufgabe Ausgehend von den Lösungen der zum Aufgabenkomplex 3.3, Absenkung (s. S. 106), aufgestellten Tabellen sollen weitere Elemente der MS-Excel-Programmierung genutzt

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Dynamische Modelle. 1 Ökonomische Relevanz. 2 Ökonometrische Modelle. a) Statisches Modell und Differenzenbildung

Dynamische Modelle. 1 Ökonomische Relevanz. 2 Ökonometrische Modelle. a) Statisches Modell und Differenzenbildung Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester

Mehr

1 Statistische Grundlagen

1 Statistische Grundlagen Konzepte in Empirische Ökonomie 1 (Winter) Hier findest Du ein paar Tipps zu den Konzepten in Empirische 1. Wenn Du aber noch etwas Unterstützung kurz vor der Klausur brauchst, schreib uns eine kurze Email.

Mehr

Einführung in QtiPlot

Einführung in QtiPlot HUWagner und Julia Bek Einführung in QtiPlot 30. Juni 2011 1/13 Einführung in QtiPlot Mit Bezug auf das Liebig-Lab Praktikum an der Ludwig-Maximilians-Universität München Inhaltsverzeichnis 1 Programmeinführung

Mehr

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table(c:\\compaufg\\kredit. Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit

Mehr

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte

Mehr

Methoden Quantitative Datenanalyse

Methoden Quantitative Datenanalyse Leitfaden Universität Zürich ISEK - Andreasstrasse 15 CH-8050 Zürich Telefon +41 44 635 22 11 Telefax +41 44 635 22 19 www.isek.uzh.ch 11. September 2014 Methoden Quantitative Datenanalyse Vorbereitung

Mehr

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede

Mehr

Kapitel 4: Binäre Regression

Kapitel 4: Binäre Regression Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,

Mehr

Kapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell

Kapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften

Mehr

Business Value Launch 2006

Business Value Launch 2006 Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung

Mehr

Multinomiale logistische Regression

Multinomiale logistische Regression Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable

Mehr

Stochastische Prozesse und Zeitreihenmodelle

Stochastische Prozesse und Zeitreihenmodelle Kapitel 12 Stochastische Prozesse und reihenmodelle [ Stochastische Prozesse und reihenmodelle ] Einleitung:.com-Blase an der NASDAQ Department of Statistics and Mathematics WU Wien c 2008 Statistik 12

Mehr

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten. Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html

Mehr

Quantitative Methoden der Bildungsforschung

Quantitative Methoden der Bildungsforschung Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang

Mehr

BEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001)

BEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001) AMOS - Bedienungsanaleitung 1 BEDIENUNGSANLEITUNG FÜR AMOS (Letzte Änderung: Mittwoch, 10. Februar 2001) A. Aufbau einer Inputdatei (Excel-Arbeitsblatt), welche eine Kovarianz- bzw. Korrelationsmatrix

Mehr

Statistik. Unter dem Register Statistik werden alle Sendeaufträge verwaltet, die Sie für den Versand Ihrer Newsletter angelegt haben.

Statistik. Unter dem Register Statistik werden alle Sendeaufträge verwaltet, die Sie für den Versand Ihrer Newsletter angelegt haben. Statistik Unter dem Register Statistik werden alle Sendeaufträge verwaltet, die Sie für den Versand Ihrer Newsletter angelegt haben. Über das Register Statistik können keine neuen Sendeaufträge angelegt

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.

Modul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen. Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes

Mehr

Diese Unterlage bezieht sich auf Excel 2010 (auf Deutsch). Die Benutzeroberfläche kann in anderen Versionen der Software erheblich anders aussehen.

Diese Unterlage bezieht sich auf Excel 2010 (auf Deutsch). Die Benutzeroberfläche kann in anderen Versionen der Software erheblich anders aussehen. Vorbemerkung Diese Unterlage bezieht sich auf Excel 2010 (auf Deutsch). Die Benutzeroberfläche kann in anderen Versionen der Software erheblich anders aussehen. Einiges, das bei der Bearbeitung der Übung

Mehr

Unter Workfile structure type geben Sie die Struktur des gewünschten Workfiles an:

Unter Workfile structure type geben Sie die Struktur des gewünschten Workfiles an: Einführung in EViews Diese Einführung bezieht sich auf die Version EViews 5.0. 1. Erstellen eines Workfiles Klicken Sie auf File/New/Workfile. Folgendes Fenster öffnet sich: Unter Workfile structure type

Mehr

Datenanalyse mit SPSS spezifische Analysen

Datenanalyse mit SPSS spezifische Analysen Datenanalyse mit SPSS spezifische Analysen Arnd Florack Tel.: 0251 / 83-34788 E-Mail: florack@psy.uni-muenster.de Raum 2.015 Sprechstunde: Dienstags 15-16 Uhr 25. Mai 2001 2 Auswertung von Häufigkeitsdaten

Mehr

Erstellen einer Formel

Erstellen einer Formel Software Erstellen einer Formel In Excel kann man individuelle Formeln erstellen, dabei wird eine Formel mit ein Gleichzeichen = eingeleitet. Man kann direkt in eine Zelle schreiben oder in dem dafür vorgesehen

Mehr

Lösung zu Kapitel 11: Beispiel 1

Lösung zu Kapitel 11: Beispiel 1 Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten

Mehr

Dipl.-Volksw. Markus Pullen Wintersemester 2012/13

Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Statistische Auswertungen mit R Universität Kassel, FB 07 Wirtschaftswissenschaften Dipl.-Volksw. Markus Pullen Wintersemester 2012/13 Beispiele 8. Sitzung Konfidenzintervalle, Hypothesentests > # Anwendungsbeispiel

Mehr

Arbeiten mit Excel. 1. Allgemeine Hinweise

Arbeiten mit Excel. 1. Allgemeine Hinweise 1. Allgemeine Hinweise Man sollte eine Excel Tabelle immer so übersichtlich wie möglich halten. Dazu empfiehlt es sich, alle benötigten Daten, Konstanten und Messwerte inklusive aller dazugehörigen Einheiten

Mehr

5.2. Nichtparametrische Tests. 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY

5.2. Nichtparametrische Tests. 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY 5.2. Nichtparametrische Tests 5.2.1. Zwei unabhängige Stichproben: U- Test nach MANN- WHITNEY Voraussetzungen: - Die Verteilungen der beiden Grundgesamtheiten sollten eine ähnliche Form aufweisen. - Die

Mehr

Name (in Druckbuchstaben): Matrikelnummer: Unterschrift:

Name (in Druckbuchstaben): Matrikelnummer: Unterschrift: 20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie

Mehr

Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression

Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen

Mehr

Dokumentation. estat Version 2.0

Dokumentation. estat Version 2.0 Dokumentation estat Version 2.0 Installation Die Datei estat.xla in beliebiges Verzeichnis speichern. Im Menü Extras AddIns... Durchsuchen die Datei estat.xla auswählen. Danach das Auswahlhäkchen beim

Mehr

Einfache Statistiken in Excel

Einfache Statistiken in Excel Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum

Mehr

Excel-Anleitung zur Übung 1. Formeln in Excel (Auszug aus der MS Excel Hilfe)

Excel-Anleitung zur Übung 1. Formeln in Excel (Auszug aus der MS Excel Hilfe) Excel-Anleitung zur Übung 1 Diese Unterlage bezieht sich auf Excel 2003 (auf Deutsch), die Version, die auch im PC-Labor des WWZ zur Verfügung steht. Die Benutzeroberfläche kann in anderen Versionen der

Mehr

Dynamisch unterrichten mit Excel

Dynamisch unterrichten mit Excel Reimund Albers Dynamisch unterrichten mit Excel Erstellen von Schiebereglern 1 Dynamisch unterrichten mit Excel oder: Wie erstelle ich einen Schieberegler in Excel? Beispiel: Demonstration der Abhängigkeit

Mehr

Aufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.

Aufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97. Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )

Mehr

Einführung in SPSS. 1. Die Datei Seegräser

Einführung in SPSS. 1. Die Datei Seegräser Einführung in SPSS 1. Die Datei Seegräser An 25 verschiedenen Probestellen wurde jeweils die Anzahl der Seegräser pro m 2 gezählt und das Vorhandensein von Seeigeln vermerkt. 2. Programmaufbau Die wichtigsten

Mehr

Einfache statistische Auswertungen mit dem TI-Nspire

Einfache statistische Auswertungen mit dem TI-Nspire 1. Neues Dokument und darin eine neue Seite anlegen Als Typ 6: Lists & Spreadsheet wählen. Darin die Messwerte in einer Spalte erfassen. Dies ergibt die Urliste. Wenn mehrere Messwerte vorliegen, die diejenigen,

Mehr

1. Allgemeine Hinweise Alexander.Martin.Koenig@TU-Clausthal.de

1. Allgemeine Hinweise Alexander.Martin.Koenig@TU-Clausthal.de 1. Allgemeine Hinweise Alexander.Martin.Koenig@TU-Clausthal.de Man sollte eine Excel-Tabelle immer so übersichtlich wie möglich halten. Dazu empfiehlt es sich, alle benötigten Daten, Konstanten und Messwerte

Mehr

1 Gemischte Lineare Modelle

1 Gemischte Lineare Modelle 1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst

Mehr

Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung

Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios Bernd Rosenow Rafael Weißhaupt Frank Altrock Universität zu Köln West LB AG, Düsseldorf Gliederung Beschreibung des Datensatzes

Mehr

Berechnungen in Access Teil I

Berechnungen in Access Teil I in Access Teil I Viele Daten müssen in eine Datenbank nicht eingetragen werden, weil sie sich aus anderen Daten berechnen lassen. Zum Beispiel lässt sich die Mehrwertsteuer oder der Bruttopreis in einer

Mehr

Statistische Auswertung der Daten von Blatt 13

Statistische Auswertung der Daten von Blatt 13 Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung

Mehr

5. Schließende Statistik. 5.1. Einführung

5. Schließende Statistik. 5.1. Einführung 5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.

Mehr

Kapitel 3: Interpretationen

Kapitel 3: Interpretationen Kapitel 3: 1. Interpretation von Outputs allgemein... 1 2. Interpretation von Signifikanzen... 1 2.1. Signifikanztests / Punktschätzer... 1 2.2. Konfidenzintervalle... 2 3. Interpretation von Parametern...

Mehr

Kap. 12: Regression mit Zeitreihendaten und Prognosemodelle

Kap. 12: Regression mit Zeitreihendaten und Prognosemodelle Kap. 12: Regression mit Zeitreihendaten und Prognosemodelle Motivation Grundbegriffe Autoregressionen (AR-Modelle) Dynamische Regressionsmodelle (ADL-Modelle) Nichstationarität Ausblick 12.1 Motivation

Mehr

TI-84 im Mathematikunterricht Stand: 2010-03-25

TI-84 im Mathematikunterricht Stand: 2010-03-25 TI-84 im Mathematikunterricht Stand: 2010-03-25 Graphen einer Funktionsgleichung zeichnen: Neues Betriebssystem (Stand 2010-03-09) download: Betriebssystem http://education.ti.com/downloads/files/83plus/ti84plus_os.8xu

Mehr

DATA BECKERs Praxishandbuch zu SUSE Linux 10

DATA BECKERs Praxishandbuch zu SUSE Linux 10 DATA BECKERs Praxishandbuch zu SUSE Linux 10 Daniel Koch DATA BECKER Hardware vor dem Kauf prüfen 4. So läuft jede Hardware Längst wird Linux von vielen Hardwareherstellern unterstützt. Ganz reibungslos

Mehr

Fallbeispiel: Eintragen einer Behandlung

Fallbeispiel: Eintragen einer Behandlung Fallbeispiel: Eintragen einer Behandlung Im ersten Beispiel gelernt, wie man einen Patienten aus der Datenbank aussucht oder falls er noch nicht in der Datenbank ist neu anlegt. Im dritten Beispiel haben

Mehr

Auswertung von kritischen Daten Vorgehensweise anhand eines Beispiels Visual-XSel 10.0

Auswertung von kritischen Daten Vorgehensweise anhand eines Beispiels Visual-XSel 10.0 Auswertung von kritischen Daten Vorgehensweise anhand eines Beispiels Visual-XSel 10.0??? Curt Ronniger 2007 Bei Neueinstieg in das Programm, sollte zunächst die Dokumentation XSelDoE10.pdf gelesen werden.

Mehr

Tutorial: Homogenitätstest

Tutorial: Homogenitätstest Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite

Mehr

TempusCapio Erste Schritte

TempusCapio Erste Schritte TempusCapio Erste Schritte 1. Anlegen eines Friedhofs Klicken Sie unter dem Reiter Friedhöfe auf Bearbeiten um die Daten Ihres Friedhofes anzupassen. Einen weiteren zusätzlichen Friedhof können Sie bei

Mehr

1.4 Der Binomialtest. Die Hypothesen: H 0 : p p 0 gegen. gegen H 1 : p p 0. gegen H 1 : p > p 0

1.4 Der Binomialtest. Die Hypothesen: H 0 : p p 0 gegen. gegen H 1 : p p 0. gegen H 1 : p > p 0 1.4 Der Binomialtest Mit dem Binomialtest kann eine Hypothese bezüglich der Wahrscheinlichkeit für das Auftreten einer Kategorie einer dichotomen (es kommen nur zwei Ausprägungen vor, z.b. 0 und 1) Zufallsvariablen

Mehr

Windows. Workshop Internet-Explorer: Arbeiten mit Favoriten, Teil 1

Windows. Workshop Internet-Explorer: Arbeiten mit Favoriten, Teil 1 Workshop Internet-Explorer: Arbeiten mit Favoriten, Teil 1 Wenn der Name nicht gerade www.buch.de oder www.bmw.de heißt, sind Internetadressen oft schwer zu merken Deshalb ist es sinnvoll, die Adressen

Mehr

Überblick über die Verfahren für Ordinaldaten

Überblick über die Verfahren für Ordinaldaten Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische

Mehr

MySQL Queries on "Nmap Results"

MySQL Queries on Nmap Results MySQL Queries on "Nmap Results" SQL Abfragen auf Nmap Ergebnisse Ivan Bütler 31. August 2009 Wer den Portscanner "NMAP" häufig benutzt weiss, dass die Auswertung von grossen Scans mit vielen C- oder sogar

Mehr

Bedienungsanleitung zum Analyse- Tool für Strompreise

Bedienungsanleitung zum Analyse- Tool für Strompreise Bedienungsanleitung zum Analyse- Tool für Strompreise Inhaltsverzeichnis Allgemein... 2 Anzeigen einer Strompreisvorhersage... 2 Die Zoom-Funktion... 5 Zeithorizont Forecasts... 5 Quantil des Konfidenzintervalls...

Mehr

Kurz-Anleitung Zeitstudienablauf - IpasMobil / IPASWIN-ZEIT. Leitfaden

Kurz-Anleitung Zeitstudienablauf - IpasMobil / IPASWIN-ZEIT. Leitfaden Leitfaden Beachten Sie auch die Online-Handbücher (PC) Zeitart - Beschreibung - IPASWIN-ZEIT Vorgangs - Beschreibung - IPASWIN-ZEIT Zeitaufnahme vorbereiten- IPASWIN-ZEIT / IpasMobil Zeitaufnahme überspielen-

Mehr

Monte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011

Monte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011 Kevin Schellkes und Christian Hendricks 29.08.2011 Inhalt Der herkömmliche Ansatz zur Simulation logarithmischer Renditen Ansatz zur Simulation mit Copulas Test und Vergleich der beiden Verfahren Fazit

Mehr

Auswertung mit dem Statistikprogramm SPSS: 30.11.05

Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit

Mehr