Übung II/III - Prognosen
|
|
- Ursula Gärtner
- vor 5 Jahren
- Abrufe
Transkript
1 Dipl. Vw. Matthias Kirbach Sommersemester 2006 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften Universität Ulm matthias.kirbach@mathematik.uni-ulm.de Übung II/III - Prognosen Einführung Jedes Jahr stellen der Sachverständigenrat zur Begutachtung der gesamtwirtschaftlichen Entwicklung und die Arbeitsgemeinschaft wirtschaftswissenschaftlicher Forschungsinstitute Prognosen für das kommende Jahr vor. Eine solche Prognose kann auch durch ein geeignetes empirisches Modell aufgestellt werden. Voraussetzung hierfür sind eine ökonomische Theorie, Daten und ökonometrische Methoden. Im Folgenden soll eine Prognose für die Änderungsrate der realen Ausrüstungsinvestitionen (und des realen Bruttoinlandsprodukts) zum Vorjahresquartal bzw. zum Vorjahr erstellt werden. 1
2 Methodische Grundlagen Für die Prognosen in dieser Übung werden Quartalsdaten verwendet. Damit ergibt sich für die Prognose von Jahresänderungsraten die Notwendigkeit einer Umrechnung. Berechnung der Jahresänderungsrate: x jr = (x t+x t 1 +x t 2 +x t 3 ) (x t 4 +x t 5 +x t 6 +x t 7 ) (x t 4 +x t 5 +x t 6 +x t 7 ) bzw. x jr = (x t+x t 1 +x t 2 +x t 3 ) (x t 4 +x t 5 +x t 6 +x t 7 ) 1 Berechnung des 4-Quartalsdurchschnittes: x qd = (x t+x t 1 +x t 2 +x t 3 ) 4 Vereinfachend werden für die folgenden Anwendungen Änderungsraten zum Vorjahresquartal verwendet, die dann entsprechend umgerechnet werden können. In Eviews steht dafür der Befehl dlog(var, 0, 4) zur Verfügung. 2
3 Änderungsraten der realen Ausrüstungsinvestitionen DLOG(AUSIK,0,4) Änderungsraten des realen Bruttoinlandsprodukts DLOG(BIPK,0,4) 3
4 Datengrundlage Für das empirische Modell werden folgende Daten im workfile EW1 neu.wf1 verwendet: Daten der volkswirtschaftlichen Gesamtrechung BIP Nominales Bruttoinlandsprodukt zu jeweiligen Preisen, in Mrd. Euro BIPK Realer Kettenindex des Bruttoinlandsprodukts BIPP Preisindex des BIP, 2000 AUSI Nominale Ausrüstungsinvestitionen AUSIK Realer Kettenindex der Ausrüstungsinvestitionen ET Zahl der Erwerbstätigen, in 1000 EST Zahl der Kurzarbeiter Quelle: Deutsche Bundesbank Aktuelle Indikatoren der Industriestatistik AUFG Index der Auftragseingänge, verarbeitendes Gewerbe AUFIG Index der Auftragseingänge, Investitionsgüter AUFAG Index der Auftragseingänge aus dem Ausland, verarbeitendes Gewerbe AUFBHG Index der Auftragseingänge, Bauhauptgewerbe AUFBGG Index der Auftragseingänge, Hoch- und Tiefbau gewerblich PRODG Index der Produktion, verarbeitendes Gewerbe PRODIG Index der Produktion, Investitionsgütergewerbe Quelle: Deutsche Bundesbank Aktuelle Umfragedaten aus dem Konjunkturtest des ifo Instituts GLG Geschäftslagebeurteilung GLEG Geschäftslageerwartung GKG Geschäftsklima Quelle: ifo Institut, München 4
5 Monetäre Indikatoren der Bundesbank und Aktienindex Z3 Geldmarktzins, 3-Monatszinssatz ZWP Umlaufrendite festverzinslicher Wertpapiere AKT DAX-Index Quelle: Deutsche Bundesbank 5
6 Statisches Modell Um Effekte der deutschen Wiedervereinigung nicht in der Prognose für das laufende und das nächste Jahr zu berücksichtigen, wird der Betrachtungszeitraum mit smpl begrenzt. Dependent Variable: DLOG(AUSIK,0,4) Method: Least Squares Date: 05/04/06 Time: 16:58 Sample(adjusted): 1995:1 2005:4 Included observations: 44 after adjusting endpoints Variable CoefficientStd. Errort-Statistic Prob. C DLOG(GLEG,0,4) DLOG(ZWP,0,4) DLOG(PRODIG,0,4) DLOG(ET,0,4) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criter Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) In diesem statischen Modell y t = β 0 + β 1 x t + ε t kann man ca. 72 Prozent der Varianz der Jahresänderungsrate des Ausrüstungsinvestitionen erklären. Alle erklärenden Variablen leisten in dieser Schätzung einen signifikanten Beitrag. Das Vorzeichen ist mit Ausnahme der Konstanten und der langfristigen Zinsen positiv. Ein solches statisches Modell ist jedoch für Prognosen nicht geeignet, da es die heutige Änderungsrate des Ausrüstungsinvestitionen erklärt. 6
7 Dynamisches Modell mit verzögerten exogenen Variablen Eine Prognose für die zukünftige Änderungsrate des Ausrüstungsinvestitionen setzt ein dynamisches Modell voraus, welches ausschließlich verzögerte erklärende Variablen besitzt. Dynamisches Modell mit verzögerten exogenen Variablen: y t = β 0 + β 1 x t 4 + ε t Dependent Variable: DLOG(AUSIK,0,4) Method: Least Squares Date: 05/04/06 Time: 17:22 Sample(adjusted): 1995:1 2005:4 Included observations: 44 after adjusting endpoints Variable CoefficientStd. Errort-Statistic Prob. C DLOG(GLEG(-4),0,4) DLOG(ZWP(-4),0,4) DLOG(AKT(-4),0,4) DLOG(Z3(-4),0,4) DLOG(ET(-4),0,4) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criter Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) In diesem Modell kann man ca. 51 Prozent der Varianz der Änderungsrate des Ausrüstungsinvestitionen erklären. Wesentliche Beiträge zur Erklärung der Varianz leisten Zinsen und Aktienindex. Das Vorzeichen ist mit Ausnahme der Konstanten sowie der kurzfristigen und langfristigen Zinsen positiv. 7
8 Dynamisches Modell mit verzögerten exogenen und endogenen Variablen Es empfiehlt sich im Rahmen einer solchen Prognose, die endogene Variable selber verzögert in das Modell mit aufzunehmen: Dynamisches Modell mit verzögerten exogenen und endogenen Variablen: y t = β 0 + β 1 x t 4 + β 2 y t 5 + ε t Dependent Variable: DLOG(AUSIK,0,4) Method: Least Squares Date: 05/04/06 Time: 17:29 Sample(adjusted): 1995:1 2005:4 Included observations: 44 after adjusting endpoints Variable CoefficientStd. Errort-Statistic Prob. C DLOG(AUSIK(-4),0,4) DLOG(GLEG(-4),0,4) DLOG(ZWP(-4),0,4) DLOG(AKT(-4),0,4) DLOG(PRODIG(-4),0,4) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criter Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Das korrigierte Bestimmheitsmaß erhöht sich auf Die verzögerte endogene Variable ist signifikant. Ein hohes Wachstum vor 4 Quartalen hat ein höheres Wachstum des aktuellen Quartals zur Folge, da der Koeffizient positiv ist. Alle Variablen sind auf dem 5%-Niveau signifikant. Zinsen und der Produktionsindex für Investitionsgüter haben ein negatives Vorzeichen. 8
9 Prognose Residual Actual Fitted Ein Blick auf die Residuen zeigt die Abweichungen zwischen den tatsächlichen und den geschätzten Werten. Für diese Schätzung können die prognostizierten Werte für vergangene Quartale und abhängig von der Prognosemethode zukünftige Quartale betrachtet werden. Mit dem EViews-Befehl fit wird eine statische, mit dem Befehl forcst eine dynamische Prognose durchgeführt. Mit den Befehlen fit ausikf plot dlog(ausikf,0,4) dlog(ausik,0,4) 9
10 erhält man folgendes Schaubild: DLOG(AUSIKF,0,4) DLOG(AUSIK,0,4) 10
11 Daten Arten von Daten Kategorisierung nach dem Aussagegehalt von Zahlenwerten: Qualitative Daten: nominal und ordinal skalierte Daten Quantitative Daten: intervallskalierte Daten Unterscheidung nach dem Aggregationsniveau: Zeitreihen sind Daten, die über die Zeit wiederholt erhoben werden, i.d.r. wird hierbei eine regelmäßige Frequenz benutzt. Ferner werden die Daten nach Möglichkeit bei denselben Merkmalsträgern und mit gleichbleibender Methodik und Definition erhoben. Beispiele: gesamtwirtschaftliche Daten wie BIP, Zinssätze etc. Querschnittsdaten beziehen sich auf zeitlich ungeordnete Beobachtungen für unterschiedliche Merkmalsträger, die häufig zu einem einheitlichen Zeitpunkt erhoben werden. Damit Querschnittsdaten einen empirischen Gehalt haben, müssen sie stärker disaggregiert werden. So hat das BIP eines Landes für eine Periode keinen Querschnittscharakter, wohl aber ein Datensatz mit Informationen über die Wertschöpfung in einzelnen Sektoren einer Volkswirtschaft. Beispiele: bei einzelnen Wirtschaftssubjekten erhobene Individualdaten. Paneldaten sind eine Kombination aus Zeitreihen und Querschnittsdaten. Sie werden wie die Zeitreihendaten mit einer regelmäßigen Frequenz erhoben, möglichst bei denselben Merkmalsträgern. Wie die Querschnittsdaten werden sie für unterschiedliche Merkmalsträger zum selben Zeitpunkt ermittelt. Bei Paneldaten liegen somit für eine Vielzahl von Merkmalsträgern mehrere zeitlich geordnete Beobachtungen vor. Beispiele: ifo-konjunkturtest, die VGR der Länder. 11
12 Datenzugang Ökonomisch relevante empirische/statistische Informationen können mittlerweile zu einem erheblichen Umfang aus dem Internet bezogen werden: Die Volkswirtschaftlichen Gesamtrechnungen stellen das umfassendste statistische Instrumentarium der Wirtschaftsbeobachtung dar. Interessant zum Nachschlagen ist beispielsweise die vierteljährliche Volkswirtschaftliche Gesamtrechnung für die Bundesrepublik Deutschland bei der Deutschen Bundesbank in Frankfurt Hier finden sich unter anderem auch monetäre Daten der Bundesrepublik Deutschland, die aktuellen Monatsberichte (als Download) und die Pressemitteilungen der Deutschen Bundesbank. Des Weiteren gibt es zahlreiche monetäre Statistiken und Links zu den anderen Europäischen Zentralbanken. Um ein solches System auch für die Länder zu erstellen, wurde 1954 der Arbeitskreis Volkswirtschaftliche Gesamtrechnungen der Länder (VGR d L) gegründet. Das Datenangebot des Arbeitskreises deckt weitgehend die Entstehungs-, Verteilungs- und Verwendungsrechnung auf Bundesländerebene ab. Das ifo Institut für Wirtschaftforschung in München verdankt seinen Bekanntheitsgrad unter anderem den monatlichen unternehmensbezogenen Umfragen über die deutsche Industrie. Besonders der Konjunkturtest mit der Ermittlung des Geschäftsklimas erlangt monatlich weitreichendes Interesse. Diese Ergebnisse werden regelmäßig auch im Internet veröffentlicht. Daten für die anderen Industrieländer findet man unter anderem bei der OECD und beim Internationalen Währungsfond 12
Übung III/ IV. 1 Prognose. 2 Daten und Datenverfügbarkeit. Dipl. Vw. Matthias Kirbach Sommersemester 2005
Dipl. Vw. Matthias Kirbach Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrIII. Prognosen - Teil 1
Universität Ulm 89069 Ulm Germany Dipl.-Kfm. Philipp Buss B.A. Alexander Rieber Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
MehrIII. Prognosen - Teil 1
Universität Ulm 89069 Ulm Germany B.Sc. Andreas Indlekofer Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2017 Übung
MehrIII. Prognosen - Teil 1
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Klaus Gründler Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung VII/ VIII. Makroökonometrische Modellierung nach der Vereinigung
Dipl. Vw. Matthias Kirbach Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT CURANDO DOCENDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrÜbungsfragen zur Empirischen Wirtschaftsforschung
Universität Ulm 89069 Ulm Germany Professor Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
MehrDas lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Das ökonomische
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrÜbung 1 - Konjunkturprognosen
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2013/2014
MehrEinführung zum Seminar Empirische Wirtschaftsforschung WS 2006/2007
UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Universität Ulm Abteilung Wirtschaftspolitik Ludwig-Erhard-Stiftungsprofessur Prof. Dr. Werner Smolny Dipl.-WiWi Kai Kohler Dipl.-WiWi Michael Alpert 1 Einleitung
MehrEmpirische Wirtschaftsforschung
Universität Ulm 899 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
MehrÜbung 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
MehrIV. Prognosen - Teil 2
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Klaus Gründler Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
MehrDie Schätzung einer Produktionsfunktion
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
MehrPrognosen. Prognosen sind schwierig, besonders wenn sie die Zukunft betreffen. Auch ein Weiser hat nicht immer recht Prognosefehler sind hoch
Universität Ulm 8969 Ulm Germany Dipl.-WiWi Sabrina Böck Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 8/9 Prognosen
MehrX =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
MehrDer Ablauf bei der Erstellung empirischer Arbeiten
1 Prof. Dr. Werner Smolny SS 2002 Einführung in die empirische Wirtschaftsforschung Der Ablauf bei der Erstellung empirischer Arbeiten A Die wirtschaftliche Fragestellung und das theoretische Modell 1.
MehrProf. Dr. Werner Smolny werner.smolny@mathematik.uni-ulm.de Dipl.-Ökonom Ralf Scherfling ralf.scherfling@mathematik.uni-ulm.de Universität Ulm Abteilung Wirtschaftspolitik Seminar zur Empirischen Wirtschaftsforschung
Mehr6.4 Kointegration Definition
6.4 Kointegration 6.4.1 Definition Nach Engle und Granger (1987): Wenn zwei oder mehrere Variablen I(1) sind, eine Linearkombination davon jedoch I() ist, dann sind die Variablen kointegriert. Allgemein:
MehrÜbung VIII Ökonometrische Testverfahren
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrIV. Prognosen - Teil 2
Universität Ulm 89069 Ulm Germany B.Sc. Daniele Sabella Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2014 Übung
MehrVI. Die Taylor Regel
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Klaus Gründler Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
Mehr1 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
MehrHeteroskedastie. Test auf Heteroskedastie. Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist.
Heteroskedastie Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist. Beispiele: Bei Zeitreihendaten : Ansteigen der Varianz über die Zeit, Anstieg der Varianz mit
Mehr5 Multivariate stationäre Modelle
5 Multivariate stationäre Modelle 5.1 Autoregressive distributed lag (ADL) 5.1.1 Das Modell und dessen Schätzung Im vorangehenden Kapitel führten wir mit der endogenen verzögerten Variablen, y t 1, als
MehrÜbung 1 - Konjunkturprognosen
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2010/2011
MehrKlausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2012/2013
Seite 1 von 10 Prof. Frank Westermann, Ph.D. Fachgebiet Internationale Wirtschaftspolitik Rolandstraße 8, 49069 Osnabrück Klausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2012/2013
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
MehrKlausur zur Veranstaltung Empirische Wirtschaftspolitik
Seite 1 von 11 Prof. Frank Westermann, Ph.D. Fachgebiet Internationale Wirtschaftspolitik Rolandstraße 8, 49069 Osnabrück Klausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2016/2017
MehrÜbung zur Empirischen Wirtschaftsforschung. VII. Ökonometrische Testverfahren. 7.1 Geldnachfragefunktion. 7.2 Empirische Ergebnisse: Westdeutschland
Universität Ulm 89069 Ulm Germany Dipl.-WiWi. Christian Peukert Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
Mehr2 Anwendungen und Probleme
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor 2 Anwendungen
MehrÜbung zur Empirischen Wirtschaftsforschung. VII. Ökonometrische Testverfahren. 7.2 Die Geldnachfragefunktion
Universität Ulm 89069 Ulm Germany Dipl.-Kfm. Philipp Buss Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
MehrV. Das lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Tino Conrad, M.Sc. Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2016 Übung zur
MehrKapitel 10. Multikollinearität. Exakte Multikollinearität Beinahe Multikollinearität
Kapitel 0 Multikollinearität Exakte Multikollinearität Beinahe Multikollinearität Exakte Multikollinearität Unser Modell lautet y = Xb + u, Dimension von X: n x k Annahme : rg(x) = k Wenn sich eine oder
MehrÜbung zur Empirischen Wirtschaftsforschung IX. Einkommensfunktion
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
Mehr2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme)
2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme) Annahme A1: Im multiplen Regressionsmodell fehlen keine relevanten exogenen Variablen und die benutzten exogenen Variablen x 1,
MehrÜbung zur Empirischen Wirtschaftsforschung
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2009
MehrKurze Einführung in die Ökonometrie-Software E-Views
Kurze Einführung in die Ökonometrie-Software E-Views Folie 2 Workfile Kurze Einführung in die Ökonometrie-Software E-Views 4. November 2008 Typischerweise liegen die Daten in einem Spreadsheet -Format
MehrÜbung zur Empirischen Wirtschaftsforschung. II. Datenquellen und Datenaufbereitung. 1. Vereinfachte Kategorisierung von Datenarten
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Thomas Roscher Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
Mehr1. Vereinfachte Kategorisierung von Datenarten
Universität Ulm 89069 Ulm Germany B.Sc. Daniele Sabella Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2014 Übung
MehrÜbung zur Empirischen Wirtschaftsforschung VIII. Einkommensfunktion
Universität Ulm 89069 Ulm Germany B.Sc. Daniele Sabella Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2014 Übung
MehrÜbung zur Empirischen Wirtschaftsforschung
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrDynamische 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
Mehr6 Nichtstationarität und Kointegration
6 Nichtstationarität und Kointegration 6.1 Kapitelübersicht, Problematik Die Analyse nichtstationärer Zeitreihen wird folgende Gesichtspunkte anschneiden: Definition von Nichtstationarität, von integrierten
MehrÜbung zur Empirischen Wirtschaftsforschung
Dipl. Vw. Matthias Kirbach Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
Mehr3. Das einfache lineare Regressionsmodell
3. Das einfache lineare Regressionsmodell Ökonometrie: (I) Anwendung statistischer Methoden in der empirischen Forschung in den Wirtschaftswissenschaften Konfrontation ökonomischer Theorien mit Fakten
MehrFinanzmarkttheorie 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
MehrBeispiele für Prüfungsfragen Ökonometrie I und II
Beispiele für Prüfungsfragen Ökonometrie I und II Von den sieben Beispielen von Prüfungsfragen wären in einer konkreten einstündigen Prüfung etwa deren zwei zu beantworten. Aufgaben 3, 4, 6 und 7 beziehen
MehrTutorium Wirtschaftsprognosen und Geldpolitik. Die Taylor Regel. 2 Die Taylor Regel. 3 Die Taylor Regel für die US-Geldpolitik. 4 Strukturbruchtest
Universität Ulm 89069 Ulm Germany Michael Elbert Alexander Rieber Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 011/01
MehrTutorium Wachstum und Prognosen. Termin 1
Universität Ulm 89069 Ulm Germany Michael Elbert Alexander Rieber Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2011/12
MehrBeispiel für Varianzanalyse in multipler Regression mit zwei erklärenden Variablen
4. Multiple Regression Ökonometrie I - Peter Stalder 1 Beispiel für Varianzanalyse in multipler Regression mit zwei erklärenden Variablen Hypothese: Die Inflation hängt positiv von der Inflation im Vorjahr
MehrZeitreihen-Ökonometrie, SS 2017 Lösungen Aufgabenblatt 3
Zeitreihen-Ökonometrie, SS 2017 Lösungen Aufgabenblatt 3 Aufgabe 5: Mit dem folgenden Modell soll untersucht werden, ob die Höhe der Ausgaben für Wahlkampagnen bei den amerikanischen Präsidentschaftswahlen
MehrVolkswirtschaftliche Gesamtrechnung
Dipl.-WiWi Kai Kohler Wintersemester 2006/2007 Institut für Wirtschaftspolitik Helmholtzstr. 20, Raum E 03 Tel. 0731 50 24264 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrÜbung zur Empirischen Wirtschaftsforschung. VI. Die Taylor Regel. 6.2 Die Taylor Regel. 6.3 Die Taylor Regel für die US-Geldpolitik
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Benedikt Blattner Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
Mehr7. Integrierte Prozesse
7. Integrierte Prozesse Bisher: Behandlung stationärer Prozesse (stationäre ARMA(p, q)-prozesse) Problem: Viele ökonomische Zeitreihen weisen im Zeitverlauf ein nichtstationäres Verhalten auf 225 Beispiel:
MehrMakroökonomik. Übung 2 - Die Volkswirtschaftliche Gesamtrechnung. 2.1 Grundlegendes zur Volkswirtschaftlichen Gesamtrechnung
Universität Ulm 89069 Ulm Germany M.Sc. Filiz Kilic Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2017/2018 Makroökonomik
MehrAktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 2004) Forecasts und Evaluation
Aktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 24) Forecasts und Evaluation 1. Daten...2 2. Dynamische Forecasts...4 2.1 Exponential Smoothing...4 2.1.1 Double Exponential Smoothing...4 2.1.2 Holt-Winters...5
MehrMakroökonomik. Übung 2 - Die Volkswirtschaftliche Gesamtrechnung. 2.1 Grundlegendes zur Volkswirtschaftlichen Gesamtrechnung
Universität Ulm 89069 Ulm Germany M.Sc. Filiz Bestepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2014/2015 Makroökonomik
MehrErgänzung 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
MehrInternationale Wirtschaftsentwicklung und Wirtschaftsaussichten Deutschland
Internationale Wirtschaftsentwicklung und Wirtschaftsaussichten Deutschland Klaus Abberger Ermatingen, September 2005 Die internationale Konjunktur Weltkonjunktur und ifo Weltwirtschaftsklima 8,0 7,0 6,0
Mehr8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme)
8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme) Annahme B4: Die Störgrößen u i sind normalverteilt, d.h. u i N(0, σ 2 ) Beispiel: [I] Neoklassisches Solow-Wachstumsmodell Annahme einer
MehrÜbung 2 - Teil 1. Volkswirtschaftliche Gesamtrechnung. 1 Konzept der Volkswirtschaftlichen Gesamtrechnung. 2 Übungsfragen zur VGR
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Sabrina Böck Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2008/2009
MehrVI. Die Taylor Regel
Universität Ulm 89069 Ulm Germany Filiz Bestepe, M.Sc. Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 016 Übung zur
MehrÖkonometrie, Empirische Wirtschaftsforschung im Graduiertenkolleg. Termin: Mittwoch, , Uhr Raum: Helmholtzstr.
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Graduiertenkolleg
MehrÜbung 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
MehrAllgemeine Volkswirtschaftslehre I
Dipl.-WiWi Kai Kohler Wintersemester 2005/2006 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 03 Tel. 0731 50 24264 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrÜbung zur Empirischen Wirtschaftsforschung
Dipl. Vw. Matthias Kirbach Sommersemester 2006 Manuel Baur Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und
MehrSeminar 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
MehrII. Datenquellen und Datenaufbereitung
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Thomas Roscher Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
MehrEin Modell für den Weltmarkt von Kupfer
Draft 1 Ein Modell für den Weltmarkt von Kupfer siehe Estimating and Forecasting Industry Demand for Price-Taking Firms, aus: Thomas, Maurice: Managerial Economics, 9/e http://highered.mcgraw-hill.com/sites/dl/free/0073402818/459485/tho02818_mod3_web.pdf
Mehr4.2 Kointegration Konzept der Kointegration langfristiger (Gleichgewichts-) Beziehungen langfristige Relation (Gleichgewichtsbeziehung) Abweichungen
4.2 Kointegration Konzept der Kointegration: Untersuchung langfristiger (Gleichgewichts-) Beziehungen zwischen mehreren nicht-stationären ökonomischen Variablen Grundidee: Es kann eine stabile langfristige
MehrLösung - Übungsblatt 10
Lösung - Übungsblatt 10 Aufgabe 2: Siehe Outputfile Aufgabe 2 a) Regressionsgleichung - Equation 1: price = β 1 + β 2 lotsize + β 3 sqrft + β 4 bdrms + u i Fit: price = β 1 + β 2 lotsize + β 3 sqrft +
MehrDie deutsche Wachstumsschwäche
Dipl.-WiWi Michael Alpert Wintersemester 2006/2007 Institut für Wirtschaftspolitik Helmholtzstr. 20, Raum E 03 Tel. 0731 50 24264 UNIVERSITÄT CURANDO DOCENDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
Mehr6. Schätzung stationärer ARMA-Modelle
6. Schätzung stationärer ARMA-Modelle Problemstellung: Statistische Anpassung eines stationären ARMA(p, q)-prozesses an eine Stichprobe von t = 1,..., T Prozessbeobachtungen Es bezeichne x 1,..., x T die
MehrWachstum und Außenwirtschaft. 1 Einführung. 1.1 Wachstum als wirtschaftspolitisches Ziel. 1.2 Stilisierte Fakten des Wachstumsprozesses
Universität Ulm 8909 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Wintersemester
MehrWachstum und Außenwirtschaft. 1 Einführung. 1.1 Wachstum als wirtschaftspolitisches Ziel. 1.2 Stilisierte Fakten des Wachstumsprozesses
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Wintersemester
MehrVI. Die Taylor Regel
Universität Ulm 89069 Ulm Germany Dipl.-Kfm. Philipp Buss B.A. Alexander Rieber Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
MehrFragestunde zur Übung
Prof. Bernd Fitzenberger, Ph.D. Dr. Roland Füss Aderonke Osikominu Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Wintersemester 2007/08 Fragestunde zur Übung
MehrStatistik I. Hinweise zur Bearbeitung. Aufgabe 1
Statistik I, SS 2002, Seite 1 von 8 Statistik I Hinweise zur Bearbeitung Hilfsmittel: - Taschenrechner (ohne Datenbank oder die Möglichkeit diesen zu programmieren) - Formelsammlung im Umfang von einer
MehrAutokorrelation in den Störtermen
Autokorrelation in den Störtermen 21. Juni 2017 Autokorrelation in den Störtermen, S. 2 Auswirkungen von Störterm-Autokorrelation Wo liegen überhaupt die Probleme von OLS, wenn eine Störterm-AK vorliegt?
MehrProf. Dr. Werner Smolny Sommersemester Helmholtzstr. 20, Raum E 05. Wachstum und Außenwirtschaft. 1 Grundlagen
Prof. Dr. Werner Smolny Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 05 Tel. 0731 50 2421 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
Mehr4. Das multiple lineare Regressionsmodell
4. Das multiple lineare Regressionsmodell Bisher: 1 endogene Variable y wurde zurückgeführt auf 1 exogene Variable x (einfaches lineares Regressionsmodell) Jetzt: Endogenes y wird regressiert auf mehrere
Mehr11. Simultane Gleichungssysteme
11. Simultane Gleichungssysteme Bisher: Schätzung und Inferenz einzelner Gleichungen Jetzt: Modellierung und Schätzung von Gleichungssystemen 329 Beispiel: [I] Untersuchung des Einflusses von Werbemaßnahmen
MehrÜbung zur Empirischen Wirtschaftsforschung. I. Einführung. 1 Einführung in die Software EViews
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Thomas Roscher Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
MehrAllgemein zu Hypothesentests: Teststatistik. OLS-Inferenz (Small Sample) Allgemein zu Hypothesentests
OLS-Inferenz (Small Sample) K.H. Schild 3. Mai 017 Allgemein zu Hypothesentests: Teststatistik Konstruktion eines Hypothesentests erfolgt meistens über eine Teststatistik Eine Teststatistik T ist eine
MehrEmpirische Wirtschaftsforschung in R
Empirische Wirtschaftsforschung in R Schätzung der keynesianischen Geldnachfragefunktion auf Basis von Daten der dänischen Volkswirtschaft Jonas Richter-Dumke Universität Rostock, Institut für Volkswirtschaftslehre
Mehr6. Heteroskedastizität (Verletzung der B2-Annahme)
6. Heteroskedastizität (Verletzung der B2-Annahme) Annahme B2: Die Störgröße u i hat für i = 1,..., N eine konstante Varianz, d.h. V ar(u i ) = σ 2 Bezeichnungen: Konstante u i -Varianzen: Homoskedastizität
MehrMakroökonomik. Übungsfragen
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Wintersemester
MehrÜbung zur Empirischen Wirtschaftsforschung
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Dipl.-WiWi Thomas Roscher Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
MehrVolkswirtschaftliche Gesamtrechnung
Christine Brandt Wintersemester 2004/2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 01 Tel. 0731 50 24266 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
Mehr