Bachelorarbeitsthemen
|
|
- Karlheinz Böhm
- vor 5 Jahren
- Abrufe
Transkript
1 Prof. Dr. P. Sibbertsen Leibniz Universität Hannover Bachelorarbeitsthemen 1. Regression mit Zähldaten Beschreibung: Zähldaten geben an, wie oft ein bestimmtes Ereignis eingetreten ist. Da diese von ihrer Natur her diskret und nichtnegativ sind, bedarf es anderer Modelle als in der klassischen Regressionsanalyse. Literatur: [Winkelmann, 2013] 2. Regression mit Zeitreihendaten Beschreibung: Die Regression mit Zeitreihendaten bietet die Möglichkeit dynamische kausale Effekte zu messen. Sie unterliegt aber auch einigen methodischen Schwierigkeiten. Demnach liegt häufig serielle Korrelation in den Daten vor und man benötigt für Vorhersagen Annahmen des Verhaltens der Zeitreihe hinsichtlich der Zukunft. Literatur: [Stock and Watson, 2011b], [Wooldridge, 2012] 3. Prognose von Zeitreihendaten mit dem Holt-Winters-Verfahren Beschreibung: Zur Prognose von Zeitreihendaten werden häufig exponentielle Glättungsverfahren angewandt. Diese sind in der Lage sowohl Trends als auch Saisonalität zu modellieren. Insbesondere das Holt-Winters-Verfahren wird häufig verwendet um saisonale Zeitreihen vorherzusagen. Literatur: [Winters, 1960], [Chatfield and Yar, 1988], [Makridakis et al., 1998] 4. VAR Modelle Beschreibung: VAR-Prozesse generalisieren univariate AR-Modelle auf vektorielle Reihen. Dadurch lassen sich Zusammenhänge zwischen mehreren AR-Prozessen modellieren. Sie werden deshalb oft für makroökonomische Prognosen verwendet. Literatur: [Hamilton, 1994], [Lütkepohl, 2005], [Martin et al., 2012] 5. Bedingt heteroskedastische Modelle Beschreibung: Generalized-Autoregressive-Conditional-Heteroscedasticity (GARCH) Modelle stellen die in der Praxis am häufigsten verwendete Modellklasse für das Verhalten von Volatilitäten dar. In diesen Modellen ist die Varianz der Innovationen bedingt auf die Größe der vorangegangenen Schocks. Literatur: [Tsay, 2005]
2 6. HAC Schätzer Beschreibung: Häufig weisen die Innovationen in einer Regressionsanalyse Autokorrelation und/oder Heteroskedastie auf, so dass Inferenz auf Basis der klassischen Annahmen nicht länger valide ist. Abhilfe schaffen H(eteroscedasticity) and A(utocorrelation) C(onsistent) Schätzer für die Varianz-Kovarianz Matrix, die als gewichtete Summen der Autokovarianzen des Prozesses verstanden werden können. Literatur: [Zeileis, 2004], [Andrews, 1991] 7. Diskriminanzanalyse Beschreibung: Die Diskriminanzanalyse ist eine Klassifikationsmethode, die Merkamlsträger anhand ihrer Merkmale charakterisiert und so Klassen zuzuordnet. Ein typisches Beispiel ist das Kreditscoring. Die Einstufung über die Bonität eines Bankkunden erfolgt über Merkmale dessen wirtschaftlicher Situation. Literatur: [Fahrmeir et al., 1996] 8. Clusteranalyse Beschreibung: Ziel der Clusteranalyse ist die Unterteilung von einer heterogenen Stichprobe in verschiedene möglichst homogene Gruppen. Die verschiedenen Clustermethoden unterscheiden sich hinsichtlich ihres Ähnlichkeits- und Gruppenbegriffs. Literatur: [Fahrmeir et al., 1996] 9. Faktorenanalyse Beschreibung: Faktor-Modelle dienen zur Dimensionsreduktion und beruhen auf der Annahme, dass eine große Anzahl von Variablen von einer kleinen Anzahl unbeobachteter gemeinsamer Faktoren getrieben wird. Literatur: [Fahrmeir et al., 1996], [Tsay, 2005], [Stock and Watson, 2011a] 10. Strukturgleichungsmodelle Beschreibung: Strukturgleichungsmodelle modellieren Zusammenhänge zwischen abhängigen sowie unabhängigen Variablen und verborgenen Strukturen. Sie kombinieren damit die konfirmative Faktorenanalyse und die Regressionsanalyse. Literatur: [Weiber and Mühlhaus, 2014] 11. Logistische Regression Beschreibung: Logit-Regression werden eingesetzt, wenn die abhängige Variable y diskret ist und nur endlich viele Werte annehmen kann. Weil lineare Modelle in diesem Fall Nachteile besitzen, werden stattdessen nichtlineare Regressionsmodelle genutzt. Neben der Modellierung von binären Variablen y können auch multinomiale Erweiterungen vom Logit-Modell vorgestellt werden. Literatur: [Wooldridge, 2010, Kapitel 15], [Cameron and Trivedi, 2005, Kapitel 14], [Greene, 2000, Kapitel 18]
3 12. Probit-Modelle Beschreibung: Probit-Regression werden eingesetzt, wenn die abhängige Variable y diskret ist und nur endlich viele Werte annehmen kann. Weil lineare Modelle in diesem Fall Nachteile besitzen, werden stattdessen nichtlineare Regressionsmodelle genutzt. Neben der Modellierung von binären Variablen y können auch multinomiale Erweiterungen vom Probit-Modell vorgestellt werden. Literatur: [Wooldridge, 2010, Kapitel 15], [Cameron and Trivedi, 2005, Kapitel 14], [Greene, 2000, Kapitel 18] 13. Überlebenszeitanalyse Beschreibung: In dieser Arbeit werden Variablen betrachtet, die die Zeit beschreiben, die seit einem bestimmten Ereignis vergangen ist. Zum Beispiel kann Zeit der Arbeitslosigkeit als y Variable als Überlebenszeit interpretiert werden. Zentraler Gegenstand der Überlebenszeitanalyse sind Hazard Funktionen, die beschreiben, mit welcher Wahrscheinlichkeit ein Beobachtungspunkt nach einer gegebenen Zeitspanne seinen Zustand wechselt. Eine Hazard Funktion würde also im Beispiel angeben, wie wahrscheinlich eine Person den Zustand Arbeitslosigkeit verlässt. Literatur: [Wooldridge, 2010, Kapitel 20], [Greene, 2000, Kapitel 19.4] 14. Fixed Effects Panel Modelle Beschreibung: In dieser Arbeit wird OLS-Regression mit Paneldaten betrachtet. Gegenüber der klassischen OLS-Regression ist hier auch bekannt, wie sich die Beobachtungen im Zeitverlauf entwickelt haben. Die Fixed Effects-Analyse versucht nun, die Effekte herauszurechnen, die für jeden Beobachtungspunkt individuell sind und sich im Zeitverlauf nicht verändern. Es gibt dazu verschiedene Verfahren: Differencing, Time Demeaning oder Dummy Variablen. Literatur: [Wooldridge, 2008, Kapitel 13, 14.1], [Greene, 2000, Kapitel 11.4] 15. Random Effects Panel Modelle Beschreibung: Random Effects sind ein Spezialfall von Fixed Effects, in dem die zeitunveränderlichen Effekte unkorreliert mit den Beobachtungen sind. Es soll vorgestellt werden, wie ein GLS-Schätzer in diesem Fall funktioniert. Darüber hinaus soll getestet werden, ob Random oder Fixed Effects vorliegen (Hausman specification test). Literatur: [Wooldridge, 2008, Kapitel 13, 14.2], [Greene, 2000, Kapitel 11.5] 16. Difference in Differences Beschreibung: Difference in Differences ist eine Technik, um herauszufinden, wie in einem Versuch ein sogenanntes Treatment (z.b. ein Medikament oder ein Job-Programm) auf Teilnehmer wirkt. Um diesen Effekt zu quantifizieren, werden die nicht behandelte und die behandelte Gruppe der Versuchsteilnehmer getrennt und die Reaktion mittels OLS geschätzt. Durch Difference in Differences können dann Aussagen zur Forschungsfrage gemacht werden. Literatur: [Wooldridge, 2008, Kapitel 13], [Greene, 2000, Kapitel 6.2.5]
4 17. Regressions-Diskontinuitäts-Analyse Beschreibung: Regressions-Diskontinuitäts-Analyse stellt wie Difference in Differences eine weitere Möglichkeit dar, die Wirksamkeit von Treatments auf Teilnehmer zu untersuchen. Die zentrale Annahme dabei ist, dass eine weitere beobachtete Variable gibt, die Rückschlüsse darüber zulässt, ob ein Treatment stattgefunden hat oder nicht. Literatur: [Greene, 2000, Kapitel ], [Cameron and Trivedi, 2005, Kapitel 25.6] 18. Quantilsregression Beschreibung: Quantilsregression ermöglicht es, genaue Aussagen über die erwartete Verteilung der abhängigen Variable y bei Veränderung der unabhängigen x Variable zu treffen. Darüber hinaus ist sie robuster gegenüber Ausreißern und benötigt weniger starke stochastische Annahmen. Die Arbeit soll hauptsächlich die Quantilsregression mit der OLS-Regression vergleichen. Literatur: [Greene, 2000, Kapitel 7.3], [Cameron and Trivedi, 2005, Kapitel 4.6] 19. Ridge Regression Beschreibung: Ridge Regression ist eine Regularisierungstechnik, die dazu führt, dass die geschätzten Koeffizienten nicht zu groß werden. Die Technik ist besonders hilfreich, wenn die Variablen in einer Regression korreliert sind, sodass die Matrix X X fast nicht invertierbar ist. Es soll besonders darauf eingegangen werden, wie der Parameter der die Stärke der Regularisierung angibt, gewählt werden sollte. Literatur: [Draper and Smith, 2014, Kapitel 17], [Friedman et al., 2001, Kapitel 3.4.1] 20. Nichtlineare Regression Beschreibung: Es sollen Spezifikationen von Regressionsmodellen untersucht werden, in denen Regressoren funktional verändert werden. Wann müssen die Werte von Regressoren quadriert, logarithmiert oder exponentiert werden und wie verändert sich durch dieses Vorgehen die Interpretation? Darüber hinaus soll der RESET-Test als Test auf die richtige funktionale Spezifikation vorgestellt werden. Literatur: [Wooldridge, 2008, Kapitel 2.4,6.2], [Greene, 2000, Kapitel 5.9] 21. Regression mit Instrumentalvariablen Beschreibung: Ein Instrumentalvariable in einer OLS-Regression ist eine Variable z, die korreliert ist mit dem Regressor x, aber unkorreliert ist mit dem Fehlerterm ε. Mit dem Einsatz von Instrumentalvariablen wird es möglich, den Effekt von Regressor x auf die abhängige Variable y zu schätzen, auch wenn die vorgegebene OLS-Regression unvollständig spezifiziert wurde. Je nach Möglichkeit kann das Two Stage Least Squares- Verfahren vorgestellt werden. Literatur: [Wooldridge, 2008, Kapitel 15], [Greene, 2000, Kapitel 8]
5 22. GMM Schätzung Beschreibung: Die Generalized Method of Moments (GMM) ist ein Schätzprinzip, das in vielen Bereichen der Ökonometrie Anwendung findet. Es beruht auf der Idee, das lediglich wenige Momente des zu schätzenden Modells spezifiziert sein müssen wie z.b. Erwartungswert und Varianz. Diese theoretischen Momente werden dann mit den empirischen Momenten, also z.b. Mittelwert und empirischer Varianz, gleichgesetzt. Aus den entstehenden Gleichungen wird dann das Modell geschätzt. Literatur: [Greene, 2000, Kapitel 13.4] 23. Nichtparametrische Regression Beschreibung: Nichtparametrische Regression trifft im Gegensatz zur parametrischen Regression keine Annahme über den funktionalen Zusammenhang zwischen exogenen und endogenen Variablen. Anstelle einer globalen Anpassung unter Betrachtung aller Beobachtungen werden die Beobachtungen mittels einer Kernfunktion gewichtet, sodass nur Beobachtungen unmittelbar in der Nähe des zu schätzenden Funktionswertes betrachtet werden. Dies führt dazu, dass nichtparametrische Regression extrem flexibel ist und auch hochkomplexe Zusammenhänge erfassen kann. Literatur: [Henderson and Parmeter, 2015] 24. Regression Splines Beschreibung: Regression Splines stellen eine Alternative zur nichtlinearen Regression dar. Anstelle einer globalen Anpassung werden dabei mehrere lokale Funktionen angepasst. Das bedeutet, dass diese Funktionen nur für gewisse Werte der exogenen Variable gültig sind. Restriktionen bei der Schätzung sorgen dann für einen (zumindest für das Auge) stetigen Übergang der verschiedenen Funktionen. Im Vergleich zur nichtlinearen Regression hat dieses Verfahren oft eine geringere Varianz und funktioniert daher insbesondere in den Randbereichen der exogenen Variablen besser. Literatur: [Friedman et al., 2001] 25. Modellselektion mit LASSO Beschreibung: LASSO ist eine Erweiterung der klassischen Regression, welche durch Regularisierung Modellselektion und Parameterschätzung simultan durchführen kann. Ziel ist es dabei einerseits ein Modell aus einem Set an Modellen als das Beste zu identifizieren und andererseits die Prognosefähigkeit des Modells zu erhöhen. Da die Parameterschätzung aber nur unter gewissen Bedingungen konsistent ist, wurde das Modell zum Adaptive Lasso erweitert. Dieses genießt dann die sogenannte oracle property, also Konsistenz in Schätzung und Variablen Selektion. Literatur: [James et al., 2013], [Tibshirani, 1996], [Zou, 2006]
6 26. Faktoranalyse Beschreibung: Faktoranalyse ist ein exploratives Verfahren, das gemeinsame Trends und Einflüsse in einer Vielzahl an Variablen feststellen soll. Es hat das Ziel der Dimensionsreduktion und ist vor allem bei hoch korrelierten Datensätzen mit vielen Variablen sinnvoll. Anwendung findet es nicht nur im Finanzbereich, sondern auch im Marketingbereich, wo es zur Auswertung bzw. zur Erstellung von Umfragen benutzt wird. Literatur: [Friedman et al., 2001] 27. Kerndichteschätzung Beschreibung: Zur Schätzung der Dichtefunktion einer Zufallsvariable muss in der parametrischen Statistik zuerst eine Verteilungsannahme getroffen werden. Da diese allerdings in den meisten Fällen nicht zutreffend ist bzw. die Verteilung der Zufallsvariable unbekannt ist, sind parametrische Dichteschätzungen oft verzerrt. In der nichtparametrischen Statistik sind deutlich weniger Annahmen notwendig. Stattdessen kann die Dichtefunktion mit Hilfe einer Kernfunktion beliebig genau approximiert werden. Daher hat sich die Kerndichteschätzung als bevorzugte Methode zur Schätzung der Dichte einer Zufallsvariable etabliert. Literatur: [Henderson and Parmeter, 2015] 28. Anpassungstest an Normalverteilung Beschreibung: Normalverteilung ist eine zentrale Annahme in den meisten statistischen Verfahren, wie beispielsweise t-tests und linearer Regression, sodass eine Prüfung dieser Annahme in der Praxis sinnvoll ist. Normalverteilungstests sind zum Beispiel der Shapiro- Wilk-Test, der Jarque-Bera-Test, der Kolmogorow-Smirnow-Test und der Chi-Quadrat- Test. Literatur: [Razali et al., 2011], [Jarque and Bera, 1980], [Shapiro and Wilk, 1965] 29. Varianzanalyse Beschreibung: Die Varianzanalyse (ANOVA) kann als Abwandlung linearer Regression betrachtet werden, bei der eine stetige Zielvariable durch einen qualitativen Regressor oder mehrere qualitative Regressoren (und Interaktionsterme) erklärt wird. Ziel ist es, Gruppen auf Basis der Regressoren zu bilden und die Mittel- bzw. Erwartungswerte auf Gleichheit zu testen. Literatur: [Fahrmeir et al., 2016], [Cohen and Cohen, 1988]
7 30. Statistische Schätzprinzipien Beschreibung: Ziel der induktiven Statistik ist es, von Stichproben auf die Grundgesamtheit zurückzuschließen und unbekannte Größen zu schätzen (die anschließend getestet werden). Zur Schätzung gibt es diverse Verfahren, wie die kleinste-quadrate-, Maximum- Likelihood- und Momentenmethode, die sich in ihren Annahmen und Eigenschaften unterscheiden. Literatur: [Fahrmeir et al., 2016], [Rüschendorf, 2014], [Martin et al., 2012] 31. Modellselektion mit Informationskriterien Beschreibung: Modellierung ist zentraler Bestandteil der Datenanalyse. Wenn eine Modellklasse ausgewählt ist, liegt die Schwierigkeit darin, das richtige Modell und die richtige Ordnung zu wählen und dabei einen Kompromiss zwischen Anpassungsgüte und Komplexität (Anzahl Parameter) des Modells zu finden. Bekannte Informationskriterien sind beispielsweise das AIC und BIC. Literatur: [Konishi and Kitagawa, 2008] 32. Lineare Zeitreihenmodelle Beschreibung: Lineare Zeitreihenmodelle, insbesondere ARMA-Modelle, sind weit verbreitet in der Zeitreihenanalyse. Sie beziehen vergangene Beobachtungen der Zeitreihe und vergangene Störterme mit ein und sind dadurch eine einfache und sparsame Möglichkeit der Modellierung. Mögliche Erweiterungen sind ARIMA- und ARFIMA-Modelle. Literatur: [Martin et al., 2012], [Hamilton, 1994] 33. Einheitswurzeltests Beschreibung: Stationarität ist eine wichtige Annahme in der Zeitreihenanalyse, die nicht immer erfüllt ist. Dies gilt es mit Einheitswurzel- und Stationaritätstests zu überprüfen. Gängige Tests sind der (Augmented-)Dickey-Fuller Test, der Phillips-Perron-Test und der Test von Kwiatkowski, Phillips, Schmidt und Shin. Literatur: [Martin et al., 2012], [Hamilton, 1994]
8 Literatur [Andrews, 1991] Andrews, D. W. (1991). Heteroskedasticity and autocorrelation consistent covariance matrix estimation. Econometrica: Journal of the Econometric Society, pages [Cameron and Trivedi, 2005] Cameron, A. C. and Trivedi, P. K. (2005). Microeconometrics: methods and applications. Cambridge university press. [Chatfield and Yar, 1988] Chatfield, C. and Yar, M. (1988). Holt-winters forecasting: some practical issues. The Statistician, pages [Cohen and Cohen, 1988] Cohen, Y. and Cohen, J. Y. (1988). Analysis of variance. Statistics and Data with R: An applied approach through examples, pages [Draper and Smith, 2014] Draper, N. R. and Smith, H. (2014). Applied regression analysis, volume 326. John Wiley & Sons. [Fahrmeir et al., 1996] Fahrmeir, L., Hamerle, A., and Tutz, G. (1996). verfahren. Walter de Gruyter GmbH & Co KG. Multivariate statistische [Fahrmeir et al., 2016] Fahrmeir, L., Heumann, C., Künstler, R., Pigeot, I., and Tutz, G. (2016). Statistik: Der Weg zur Datenanalyse. Springer-Verlag. [Friedman et al., 2001] Friedman, J., Hastie, T., and Tibshirani, R. (2001). The elements of statistical learning, volume 1. Springer series in statistics New York. [Greene, 2000] Greene, W. H. (2000). Econometric analysis (international edition). [Hamilton, 1994] Hamilton, J. (1994). Time Series Analysis, volume 2. Cambridge Univ Press. [Henderson and Parmeter, 2015] Henderson, D. and Parmeter, C. (2015). Econometrics. Cambridge University Press. Applied Nonparametric [James et al., 2013] James, G., Witten, D., Hastie, T., and Tibshirani, R. (2013). An introduction to statistical learning, volume 112. Springer. [Jarque and Bera, 1980] Jarque, C. M. and Bera, A. K. (1980). Efficient tests for normality, homoscedasticity and serial independence of regression residuals. Economics letters, 6(3): [Konishi and Kitagawa, 2008] Konishi, S. and Kitagawa, G. (2008). Information criteria and statistical modeling. Springer Science & Business Media. [Lütkepohl, 2005] Lütkepohl, H. (2005). New introduction to multiple time series analysis. Springer Science & Business Media. [Makridakis et al., 1998] Makridakis, S., Wheelwright, S., and Hyndman, F. (1998). methods and applications. Forecasting [Martin et al., 2012] Martin, V., Hurn, S., and Harris, D. (2012). Econometric modelling with time series: specification, estimation and testing. Cambridge University Press. [Razali et al., 2011] Razali, N. M., Wah, Y. B., et al. (2011). Power comparisons of shapiro-wilk, kolmogorov-smirnov, lilliefors and anderson-darling tests. Journal of statistical modeling and analytics, 2(1): [Rüschendorf, 2014] Rüschendorf, L. (2014). Mathematische statistik. Springer.
9 [Shapiro and Wilk, 1965] Shapiro, S. S. and Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4): [Stock and Watson, 2011a] Stock, J. H. and Watson, M. W. (2011a). Dynamic factor models. Oxford handbook of economic forecasting, 1: [Stock and Watson, 2011b] Stock, J. H. and Watson, M. W. (2011b). Introduction to Econometrics, volume 3. Pearson Education. [Tibshirani, 1996] Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society. Series B (Methodological), pages [Tsay, 2005] Tsay, R. S. (2005). Analysis of Financial Time Series, volume 543. John Wiley & Sons. [Weiber and Mühlhaus, 2014] Weiber, R. and Mühlhaus, D. (2014). Strukturgleichungsmodellierung: Eine anwendungsorientierte Einführung in die Kausalanalyse mit Hilfe von AMOS, SmartPLS und SPSS. Springer-Verlag. [Winkelmann, 2013] Winkelmann, R. (2013). Econometric analysis of count data. Springer. [Winters, 1960] Winters, P. R. (1960). Forecasting sales by exponentially weighted moving averages. Management science, 6(3): [Wooldridge, 2008] Wooldridge, J. (2008). Introductory Econometrics: A Modern Approach. ISE - International Student Edition. Cengage Learning. [Wooldridge, 2010] Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data. MIT Press. [Wooldridge, 2012] Wooldridge, J. M. (2012). Introductory Econometrics: A Modern Approach, volume 5. South-Western College Pub. [Zeileis, 2004] Zeileis, A. (2004). Econometric computing with hc and hac covariance matrix estimators. Journal of Statistical Software, 11. [Zou, 2006] Zou, H. (2006). The adaptive lasso and its oracle properties. Journal of the American statistical association, 101(476):
John Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
Folien zur Vorlesung. Zeitreihenanalyse (Time Series Analysis)
Folien zur Vorlesung Zeitreihenanalyse (Time Series Analysis) Wintersemester 2014/2015 Mittwoch 14.00 15.30 Uhr Hörsaal: J 498 Prof. Dr. Bernd Wilfling Westfälische Wilhelms-Universität Münster Inhalt
Prof. Dr. Reinhold Kosfeld Zeitreihenanalyse
Prof. Dr. Reinhold Kosfeld Zeitreihenanalyse 1. Einführung 2. Zeitreihenzerlegung und Komponentenmodell (Trend, Saisonbereinigung, Exponentielle Glättung, Korrelogramm, Test auf Autokorrelation) 3. Stochastische
Zeitreihenanalyse in den Wirtschafts Wissenschaften
Klaus Neusser Zeitreihenanalyse in den Wirtschafts Wissenschaften 2., aktualisierte Auflage STUDIUM VIEWEG+ TEUBNER Abbildungsverzeichnis Tabellenverzeichnis Zeichenerklärung XI XIII XV I Univariate Zeitreihenanalyse
Seminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
Kapitel 1 Einführung. Angewandte Ökonometrie WS 2012/13. Nikolaus Hautsch Humboldt-Universität zu Berlin
Kapitel 1 Einführung Angewandte Ökonometrie WS 2012/13 Nikolaus Hautsch Humboldt-Universität zu Berlin 1. Allgemeine Informationen 2 17 1. Allgemeine Informationen Vorlesung: Mo 12-14, SPA1, 23 Vorlesung
Statistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
Statistik für Ingenieure und Naturwissenschaftler
Sheldon M. Ross Statistik für Ingenieure und Naturwissenschaftler 3. Auflage Aus dem Amerikanischen übersetzt von Carsten Heinisch ELSEVIER SPEKTRUM AKADEMISCHER VERLAG Spektrum Inhalt Vorwort zur dritten
SPEZIALGEBIETE: ÖKONOMETRIE
SPEZIALGEBIETE: ÖKONOMETRIE Lehrstuhl Ökonometrie und Statistik Technische Universität Dortmund Studienjahr 2017/18 27. Juni 2017 1 / 14 Übersicht Bis jetzt fixiert: Advanced Econometrics (WS 2017/18)
Statistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
Uwe Hassler. Statistik im. Bachelor-Studium. Eine Einführung. für Wirtschaftswissenschaftler. ^ Springer Gabler
Uwe Hassler Statistik im Bachelor-Studium Eine Einführung für Wirtschaftswissenschaftler ^ Springer Gabler 1 Einführung 1 2 Beschreibende Methoden univariater Datenanalyse 5 2.1 Grundbegriffe 5 2.2 Häufigkeitsverteilungen
SPEZIALGEBIETE: ÖKONOMETRIE
SPEZIALGEBIETE: ÖKONOMETRIE Lehrstuhl Ökonometrie und Statistik Technische Universität Dortmund Studienjahr 2016/17 28. Juni 2016 1 / 16 Übersicht Sicher sind nur: Zeitreihenanalyse (WS 2016/17) und Ökonometrie
Multivariate Statistik
Multivariate Statistik von Univ.-Prof. Dr. Rainer Schlittgen Oldenbourg Verlag München I Daten und ihre Beschreibung 1 1 Einführung 3 1.1 Fragestellungen 3 1.2 Datensituation 8 1.3 Literatur und Software
Teil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
Inhaltsverzeichnis. Vorwort 13. Teil I Beschreibende Statistik 17. Kapitel 1 Statistische Merkmale und Variablen 19
Inhaltsverzeichnis Vorwort 13 Teil I Beschreibende Statistik 17 Kapitel 1 Statistische Merkmale und Variablen 19 1.1 Statistische Einheiten und Grundgesamtheiten 19 1.2 Merkmale und Merkmalsausprägungen
Profilfach Statistik und Ökonometrie Seminarmodul
Profilfach Statistik und Ökonometrie Seminarmodul Beschreibung Das Seminar richtet sich an Bachelorstudierende, die bereits das Grundlagen- und Aufbaumodul im Profilfach Statistik und Ökonometrie besucht
Kapitel 5. Prognose. Zeitreihenanalyse wird aus drei Gründen betrieben: Beschreibung des Verlaufs von Zeitreihen.
Kapitel 5 Prognose Josef Leydold c 2006 Mathematische Methoden V Prognose 1 / 14 Lernziele Aufgabe der Prognose Problemtypen Ablauf einer Prognoseaufgabe Zeitreihe Josef Leydold c 2006 Mathematische Methoden
Zeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe
Statistische Methoden der VWL und BWL Theorie und Praxis ST?
Statistische Methoden der VWL und BWL Theorie und Praxis ST? Vorwort 13 Teil I Beschreibende Statistik 17 Kapitel 1 Statistische Merkmale und Variablen 19 1.1 Statistische Einheiten und Grundgesamtheiten
Hauptseminar zum Thema:
Fakultät Informatik Institut für angewandte Informatik Professur Technische Informationssysteme Hauptseminar zum Thema: Vergleich ARCH- und GARCH- Modelle bei der Analyse von Zeitreihen mit veränderlichen
Empirische Wirtschaftsforschung
Thomas K. Bauer Michael Fertig Christoph M. Schmidt Empirische Wirtschaftsforschung Eine Einführung ß 361738 4y Springer Inhaltsverzeichnis 1 Wichtige Konzepte der Statistik - Eine Einführung 1 1.1 Die
Varianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
Seminar im Sommersemester 2012 Modellierung kategorialer Daten
LMU München, Institut für Statistik, Seminar für angewandte Stochastik Seminar im Sommersemester 2012 Modellierung kategorialer Daten Prof. Dr. G. Tutz; Dipl.-Stat. M. Oelker; Dipl.-Stat. F. Heinzl; Dipl.-Stat.
Werkzeuge der empirischen Forschung
Werkzeuge der empirischen Forschung I. Daten und Beschreibende Statistik 1. Einführung 2. Dateneingabe, Datentransformation, Datenbehandlung 3. Beschreibende Statistik II. Schließende Statistik 1 III.
Regressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/
Regressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/2018 06.12.2018 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN Nachname:...................................................................
Praxis der Regressionsanalyse
Praxis der Regressionsanalyse Von Samprit Chatterjee New York University und Bertram Price Price Associates, Inc., Washington, D. C. Aus dem Amerikanischen übertragen von Prof. Dr. Gunter Lorenzen Universität
Website. Vorlesung Statistisches Lernen. Dozenten. Termine. Einheit 1: Einführung
Website Vorlesung Statistisches Lernen Einheit 1: Einführung Dr. rer. nat. Christine Pausch Institut für Medizinische Informatik, Statistik und Epidemiologie Universität Leipzig (Aktuelle) Informationen
Literatur: Rudolf & Müller, S Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung SEM Folie Nr. 1
1 Korrelation und Kausalität 2 Grundsätzliches 3 Pfaddiagramme und lineare Strukturgleichungen 4 Struktur- und Messmodell 5 Modellspezifikation 6 Parameterschätzungen 7 Beurteilung der Schätzergebnisse
Methoden der Zeitreihenanalyse
Winfried Stier Methoden der Zeitreihenanalyse Mit 237 Abbildungen und 6 Tabellen Springer Inhaltsverzeichnis I. Elementare Zeitreihenanalyse 1 1.1. Definitionen, Grundkonzepte, Beispiele 1 1.2. Das traditionelle
Einführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten Von Prof. Dr. Rainer Schlittgen 4., überarbeitete und erweiterte Auflage Fachbereich Materialwissenschaft! der Techn. Hochschule Darmstadt
Vorlesung Statistisches Lernen
Vorlesung Statistisches Lernen Einheit 1: Einführung Dr. rer. nat. Christine Pausch Institut für Medizinische Informatik, Statistik und Epidemiologie Universität Leipzig WS 2014/2015 1 / 20 Organisatorisches
Introduction to Modern Time Series Analysis
Springer Texts in Business and Economics Introduction to Modern Time Series Analysis Bearbeitet von Gebhard Kirchgässner, Jürgen Wolters, Uwe Hassler 1. Auflage 2012. Buch. XII, 319 S. Hardcover ISBN 978
Statistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 20
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 20 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
Einführung in die Ökonometrie
Peter Hackl Einführung in die Ökonometrie 2., aktualisierte Auflage Higher Education München Harlow Amsterdam Madrid Boston San Francisco Don Mills Mexico City Sydney a part of Pearson plc worldwide Einführung
1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
Angewandte Statistik mit SPSS
Peter P. Eckstein Angewandte Statistik mit SPSS Praktische Einführung für Wirtschaftswissenschaftler 7., überarbeitete Auflage B 382205 4y Springer Gabler VII 1 SPSS Statistics 1 1.1 Wofür steht SPSS?
Statistik für Bachelorund Masterstudenten
Walter Zucchini Andreas Schlegel Oleg Nenadic Stefan Sperlich Statistik für Bachelorund Masterstudenten Eine Einführung für Wirtschaftsund Sozialwissenschaftler 4y Springer 1 Der Zufall in unserer Welt
Statistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 13. Juli 2011 Ziel der Vorlesung Vermittlung von Grundkenntnissen der Statistik, Simulationstechnik und numerischen Methoden (Algorithmen) Aufgabe:
7. Stochastische Prozesse und Zeitreihenmodelle
7. Stochastische Prozesse und Zeitreihenmodelle Regelmäßigkeiten in der Entwicklung einer Zeitreihe, um auf zukünftige Entwicklung zu schließen Verwendung zu Prognosezwecken Univariate Zeitreihenanalyse
Einführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten von Prof. Dr. Rainer Schlittgen Universität Hamburg 12., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis 1 Statistische Daten
Proxies, Endogenität, Instrumentvariablenschätzung
1 4.2 Multivariate lineare Regression: Fehler in den Variablen, Proxies, Endogenität, Instrumentvariablenschätzung Literatur: Wooldridge, Kapitel 15, Appendix C.3 und Kapitel 9.4 Wahrscheinlichkeitslimes
I. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
Angewandte Statistik mit SPSS
Peter P. Eckstein Angewandte Statistik mit SPSS Praktische Einführung f ü r Wi rtschaftswi^sjenschaftler %%^4m 6. r überarbeitete Auflage GABLER VII 1 SPSS für Windows * 1 1.1 Wofür steht SPSS? 2 1.2 SPSS
Datenanalyse für Ingenieure im betriebswirtschaftlichen Umfeld: Gedanken zum Curriculum
GMF-Tagung Zukunft der Lehre in Statistik und Stochastik Zürich, 21. Oktober 2017 Datenanalyse für Ingenieure im betriebswirtschaftlichen Umfeld: Gedanken zum Curriculum Andreas Ruckstuhl Dozent für Statistische
1 Gliederung Zeitreihenökonometrie. Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09. Dr. Sylvia Kaufmann.
Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09 Dr Sylvia Kaufmann Februar 2009 Angewandte Ökonometrie, Sylvia Kaufmann, FS09 1 1 Gliederung Zeitreihenökonometrie Einführung
Prüfung im Fach Panel- und Evaluationsverfahren im WS 2017/18
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Panel- und Evaluationsverfahren im WS 2017/18 Aufgabe 1 (10,5 Punkte) Ihnen steht ein Paneldatensatz
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
Klassifikation von Signifikanztests
Klassifikation von Signifikanztests Nach Verteilungsannahmen: verteilungsabhängig: parametrischer [parametric] Test verteilungsunabhängig: nichtparametrischer [non-parametric] Test Bei parametrischen Tests
Statistik. Ludwig Fahrmeir Rita Künstler Iris Pigeot Gerhard Tutz. Der Weg zur Datenanalyse. Springer. Zweite, verbesserte Auflage
Ludwig Fahrmeir Rita Künstler Iris Pigeot Gerhard Tutz Statistik Der Weg zur Datenanalyse Zweite, verbesserte Auflage Mit 165 Abbildungen und 34 Tabellen Springer Inhaltsverzeichnis Vorwort v 1 Einführung
Einführung in die Ökonometrie
Einführung in die Ökonometrie Peter Hackl ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Vorwort... 19 1 Einführung...
Arbeitsbuch zur deskriptiven und induktiven Statistik
Helge Toutenburg Michael Schomaker Malte Wißmann Christian Heumann Arbeitsbuch zur deskriptiven und induktiven Statistik Zweite, aktualisierte und erweiterte Auflage 4ü Springer Inhaltsverzeichnis 1. Grundlagen
Mehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
6 Nichtstationarität und Kointegration
6 Nichtstationarität und Kointegration 6.1 Kapitelübersicht, Problematik Die Analyse nichtstationärer Zeitreihen wird folgende Gesichtspunkte anschneiden: Definition von Nichtstationarität, von integrierten
Dr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
Inhalt. I. Deskriptive Statistik Einführung Die Grundgesamtheit Merkmale und Verteilungen Tabellen und Grafiken...
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Die Grundgesamtheit......................... 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................ 10
1 Beispiele multivariater Datensätze... 3
Inhaltsverzeichnis Teil I Grundlagen 1 Beispiele multivariater Datensätze... 3 2 Elementare Behandlung der Daten... 15 2.1 Beschreibung und Darstellung univariater Datensätze... 15 2.1.1 Beschreibung und
Die Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
Bachelorprüfung im Wintersemester 2012/2013
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung im Wintersemester 2012/2013 Empirische Wirtschaftsforschung II Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr.
2 Anwendungen und Probleme
Prof. Dr. Werner Smolny Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 05 Tel. 0731 50 24261 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
Prof. Regina T. Riphahn, Ph.D. WS 04/05 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 24. Februar 2005,
Prof. Regina T. Riphahn, Ph.D. WS 4/5 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 24. Februar 25, 9.-1.3 Uhr Erlaubte Hilfsmittel: Tabelle der statistischen Verteilungen, 4 DIN
Statistik. ~ Springer Spektrum. 8., überarbeitete und ergänzte Auflage. Ludwig Fahrmeir Christian Heumann Rita Künstler Iris Pigeot Gerhard Tutz
Ludwig Fahrmeir Christian Heumann Rita Künstler Iris Pigeot Gerhard Tutz Statistik Der Weg zur Datenanalyse 8., überarbeitete und ergänzte Auflage ~ Springer Spektrum Inhaltsverzeichnis Vorwort 1 Einführung
Einführung in Panel-Verfahren
Einführung in Panel-Verfahren Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Drei Arten von Datensätzen Cross-Section
Empirische Analysen mit dem SOEP
Empirische Analysen mit dem SOEP Methodisches Lineare Regressionsanalyse & Logit/Probit Modelle Kurs im Wintersemester 2007/08 Dipl.-Volksw. Paul Böhm Dipl.-Volksw. Dominik Hanglberger Dipl.-Volksw. Rafael
Übung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr.
Statistik II Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 2. Parameterschätzung: 2.1 Grundbegriffe; 2.2 Maximum-Likelihood-Methode;
Inhaltsverzeichnis 1 SPSS Statistics 2 SPSS Datenmanagement 3 Verteilungsanalyse
VII 1 SPSS Statistics... 1 1.1 Wofür steht SPSS?... 2 1.2 SPSS starten und beenden... 3 1.3 SPSS Editoren und SPSS Viewer... 5 SPSS Dateneditor... 5 SPSS Viewer... 6 SPSS Pivot-Tabellen-Editor... 7 SPSS
Angewandte Ökonometrie Übung. Endogenität, VAR, Stationarität und Fehlerkorrekturmodell
Angewandte Ökonometrie Übung 3 Endogenität, VAR, Stationarität und Fehlerkorrekturmodell Zeitreihenmodelle Zeitreihenmodelle Endogenität Instrumentvariablenschätzung Schätzung eines VARs Tests auf Anzahl
Wahrscheinlichkeitsrechnung und schließende Statistik
Karl Mosler Friedrich Schmid Wahrscheinlichkeitsrechnung und schließende Statistik Vierte, verbesserte Auflage Springer Inhaltsverzeichnis 0 Einführung 1 1 Zufalls Vorgänge und Wahrscheinlichkeiten 5 1.1
Statistik. Ludwig Fahrmeir Rita Künstler Iris Pigeot Gerhard Tutz. Der Weg zur Datenanalyse. Springer. Fünfte, verbesserte Auflage
Ludwig Fahrmeir Rita Künstler Iris Pigeot Gerhard Tutz Statistik Der Weg zur Datenanalyse Fünfte, verbesserte Auflage Mit 162 Abbildungen und 25 Tabellen Springer Inhaltsverzeichnis Vorwort v 1 Einführung
Ökonometrische Modelle
Ökonometrische Modelle Stichwörter: Dynamische Modelle Lagstrukturen Koyck sche Lagstruktur Zeitreihenmodelle Mehrgleichungsmodelle Strukturform reduzierte Form o1-13.tex/0 Lüdeke-Modell für die BRD C
Philipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
Angewandte Ökonometrie (BSc)
Angewandte Ökonometrie Herbst 2016 Prof. Dr. Kurt Schmidheiny Universität Basel Angewandte Ökonometrie: Einführung 2 Ihr Professor Angewandte Ökonometrie (BSc) Prof. Dr. Kurt Schmidheiny Universität Basel,
Angewandte Ökonometrie (BSc)
Angewandte Ökonometrie Herbst 2016 Prof. Dr. Kurt Schmidheiny Universität Basel Angewandte Ökonometrie (BSc) Version 16-9-2016, 16:14 Angewandte Ökonometrie: Einführung 2 Ihr Professor Prof. Dr. Kurt Schmidheiny
Nichtparametrische statistische Methoden
Herbert Büning / Götz Trenkler Nichtparametrische statistische Methoden 2., erweiterte und völlig überarbeitete Auflage w DE G_ Walter de Gruyter Berlin New York 1994 Inhaltsverzeichnis Vorwort zur zweiten
Pobeklausur: Einführung in die Ökonometrie. 1. (20 Punkte) Wir betrachten 2 (in den Koeffizienten) lineare Modelle mit folgenden Variablen:
Gesamtpunktzahl: 96 Pobeklausur: Einführung in die Ökonometrie 1. (20 Punkte) Wir betrachten 2 (in den Koeffizienten) lineare Modelle mit folgenden Variablen: cigs: gerauchte Zigaretten pro Tag educ: Bildung
Strukturgleichungsmodellierung
Strukturgleichungsmodellierung FoV Methodenlehre FSU-Jena Dipl.-Psych. Norman Rose Parameterschätzung, Modelltest & Fit Indizes bei SEM Forschungsorientierte Vertiefung - Methodenlehre Dipl.-Psych. Norman
1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
Zahl der Kreditpunkte, die Sie erwerben möchten: 3 CP 4 CP 6 CP
Klausur in Mikroökonometrie am 26.07.2006 Hinweise: (1) Teil 1 (90 Punkte) muss von allen gelöst werden, Teil 2 (30 Punkte) nur von denjenigen, die 4 oder 6 CP erwerben wollen. (2) Die Punktverteilung
Einführung in die Induktive Statistik: Regressionsanalyse
Einführung in die Induktive Statistik: Regressionsanalyse Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Regressionsanalyse Ziel: Analyse
Analyse von Querschnittsdaten. Heteroskedastizität
Analyse von Querschnittsdaten Heteroskedastizität Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004 03.11.2004
Vorlesung: Lineare Modelle. Verschiedene Typen von Residuen. Probleme bei der Regression und Diagnose. Prof. Dr. Helmut Küchenhoff.
Vorlesung: Lineare Modelle Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München SoSe 205 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen.
Empirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
Multivariate Lineare Modelle SS Einführung. 1. Organisation. 2. Übersicht. 3. Arbeiten mit SAS
Multivariate Lineare Modelle SS 2009 0 Einführung 1. Organisation 2. Übersicht 3. Arbeiten mit SAS 1 0.1 Organisation Lehrziele: Theorie von multivariaten linearen Modellen Praktische Anwendung mit SAS
Oscar A. G. Treyer. Business Forecasting. Anwendungsorientierte Theorie quantitativer Prognoseverfahren. Haupt Verlag Bern Stuttgart - Wien
Oscar A. G. Treyer Business Forecasting Anwendungsorientierte Theorie quantitativer Prognoseverfahren Haupt Verlag Bern Stuttgart - Wien INHALTSVERZEICHNIS Vorwort 5 Abkürzungsverzeichnis 13 Abbildungs-
Kap. 2: Generalisierte lineare Modelle (GLMs) Lineare und generalisierte lineare Modelle Schätzung und Inferenz in GLMs Literatur
Kap. 2: Generalisierte lineare Modelle (GLMs) Lineare und generalisierte lineare Modelle Schätzung und Inferenz in GLMs Literatur 2.1 Lineare und generalisierte lineare Modelle Das klassische lineare Regressionsmodell
Statistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................