Proxies, Endogenität, Instrumentvariablenschätzung
|
|
- Waltraud Schumacher
- vor 5 Jahren
- Abrufe
Transkript
1 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 und Konsistenz eines Schätzers Motivation: In vielen ökonometrischen Problemen läßt sich der Erwartungswert eines Schätzers nicht (einfach) berechnen und es reicht aus, die Eigenschaften des Schätzers asymptotisch zu bestimmen. Definition 1: Der Wahrscheinlichkeitslimes θ einer Folge von Zufallsvariablen ˆθ n ist dadurch gegeben, dass für n gegen unendlich die Wahrscheinlichkeit, dass der Betrag der Differenz zwischen ˆθ n und θ kleiner als ein beliebig kleines, positives δ ist, gegen eins geht. Mathematisch wird dies durch lim n P { ˆθ n θ < δ} = 1 für jedes δ > 0 ausgedrückt und durch plim n ˆθ n = θ abgekürzt.
2 2 KAPITEL 4. ÖKONOMETRIE: MULTIVARIATE LINEARE REGRESSION Definition 2: Ein Schätzer ˆθ n des wahren Parameterwertes θ heißt konsistent, falls plim N ˆθ n = θ. Hinweise: 1. (Gesetz der großen Zahl) Das arithmetische Mittel ȳ n einer Folge von Zufallsvariablen y i mit Erwartungswert E(y i ) = µ y ist unter sehr allgemeinen Annahmen ein konsistenter Schätzer von µ y, d.h. plim ȳ n = µ y. 2. Für zwei Folgen von Zufallsvariablen ˆθ 1,n und ˆθ 2,n gilt: plim (ˆθ 1,n + ˆθ 2,n ) = plim ˆθ 1,n + plim ˆθ 2,n plim (ˆθ 1,n ˆθ 2,n ) = plim ˆθ 1,n plim ˆθ 2,n plim ( ˆθ1,n ˆθ 2,n ) = plim ˆθ 1,n plim ˆθ 2,n
3 4.2. MULTIVARIATE LINEARE REGRESSION 3 Verzerrung von OLS bei endogenem Regressor im bivariaten Regressionsmodell: y i = β 1 + β 2 x i + u i Schätzer ˆβ 2 = (x i x) (y i y) = (x i x) 2 (x i x) y i = β 2 + (x i x) 2 (x i x) u i (x i x) 2 plim ( ˆβ 2 β 2 ) = plim 1 n plim 1 n (x i x) u i (x i x) 2 plim 1 n (x i x) 2 = Var(x i ) = σ 2 x plim 1 n x i u i = Cov(x i, u i ) 0 bei Korrelation zwischen x i und u i
4 4 KAPITEL 4. ÖKONOMETRIE: MULTIVARIATE LINEARE REGRESSION plim 1 n xu i = plim ( ) 1 Cov(x i, u i ) = 0 n unter der Annahme Cov(x j, u i ) = 0 für i j. Für die Verzerrung ergibt sich: plim ( ˆβ 2 β 2 ) = Cov(x i, u i ) σ 2 x 0 und die Richtung der Verzerrung hängt vom Vorzeichen der Cov(x i, u i ) ab.
5 4.2. MULTIVARIATE LINEARE REGRESSION 5 Schätzung eines exakt oder überidentifizierten Systems: Die Methode der zweistufigen KQ-Schätzung (2 SLS) als Einzelgleichungsmethode Schätzung für j-te Gleichung: y ji = β 1 + β 2 y k1 i + β 3 y k2 i + β 4 x j1 i u ji 1. Um die j-gleichung zu schätzen, wird zuerst die reduzierte Form für alle endogenen auf der rechten Seite der j-ten Gleichung geschätzt y ki = π 0 + π 1 x 1i π e x ei + v ki mit k j 2. Für die k-te endogene Variable werden auf Basis der reduzierten Form die prognostizierten Werte bestimmt ŷ ki = ˆπ 0 + ˆπ 1 x 1i ˆπ e x ei 3. Anstelle der y ki werden die ŷ ki in die j-te strukturelle Gleichung eingesetzt: y ji = β 1 + β 2 ŷ k1 i + β 3 ŷ k2 i + β 4 x j1 i u ji und diese geschätzt. Die Regressoren sind nun unkorreliert mit u ji und die j-te Gleichung (β 1, β 2,...) lässt sich konsistent schätzen.
6 6 KAPITEL 4. ÖKONOMETRIE: MULTIVARIATE LINEARE REGRESSION Beispiel: Schätzgleichung (strukturelle Gleichung) y 1i = β 1 + β 2 y 2i + β 3 y 3i + β 4 x 1i + u i Endogene Variablen: y 2i, y 3i korreliert mit u i Ausschlussrestriktionen: x 2i, x 3i erklären y 2i und y 3i, aber sind ohne Einfluss in Strukturgleichung für y 1i 2 SLS: 1. Stufe: ŷ 2i = ˆΠ 20 + ˆΠ 21 x 1i + ˆΠ 22 x 2i + ˆΠ 23 x 3i ŷ 3i = ˆΠ 30 + ˆΠ 31 x 1i + ˆΠ 32 x 2i + ˆΠ 33 x 3i 2. Stufe: y 1i = β 1 + β 2 ŷ 2i + β 3 ŷ 3i + β 4 x 1i + v i wird geschätzt TSP-Kommando: 2SLS(INST = (C, X1, X2, X3) ) Y 1 C Y 2 Y 3 X1 }{{} alle Exogene In TSP muss das Absolutglied in die Liste der exogenen variablen eingefügt werden.
7 4.2. MULTIVARIATE LINEARE REGRESSION 7 Hinweis 1: Dieser Ansatz lässt sich auch auf den Fall der exakten Identifikation anwenden. Hinweis 2: Die geschätzte Varianz-Kovarianz-Matrix in der 2. Stufe in 3. (der OLS- Schätzung auf ŷ ki und exogene Variablen) liefert verzerrte Schätzer, da die Tatsache, dass die ŷ ki geschätzt werden, nicht berücksichtigt wird. Hinweis 3: Die Identifikation spiegelt dies exakt darin wider, dass die OLS-Schätzung in der 2. Stufe kein Problem perfekter Kollinearität aufweist: Wenn ŷ k1 i, ŷ k2 i nicht von Regressoren abhängen, die nicht in j-ter Gleichung auftauchen, wäre (X X) für diese Schätzung nicht invertierbar. Der 2 SLS-Schätzer heißt auch Instrumentvariablenschätzer und die ausgeschlossenen exogenen Variablen in j-ter Gleichung nennt man Instrumente.
8 8 KAPITEL 4. ÖKONOMETRIE: MULTIVARIATE LINEARE REGRESSION Test auf Endogenität eines Regressors: Hausman Spezifikationstest Reduzierte Form: ŷ 2 i = ˆΠ 0 + ˆΠ 1 x 1i Regressiere nun für Hausman-Test: y i = β 1 + β 2 y 2i + λ 2 ŷ 2i + u i H 0 : λ 2 = 0 y 2i ist unkorreliert mit u i H A : λ 2 0 y 2i ist korreliert mit u i Signifikanztest auf ŷ 2i (Ist λ 2 0?) überprüft, ob y 2i in der Strukturgleichung für y i endogen ist, d.h. ob Cov(y 2i, u i ) 0.
9 4.2. MULTIVARIATE LINEARE REGRESSION 9 Beispiel: Beispiel 15.4 aus Wooldridge (S. 504f) gerechnet in Programm abschnitt42.tsp Endogenität der Schulausbildung in Lohnregression für US-Daten (siehe Card, 1995) Instrumente: Dummyvariablen, ob jemand in der Nähe eines vierjährigen Colleges (NEARC4) oder eines zweijährigen Colleges (NEARC2) aufgewachsen ist Reduzierte Form: IV NEARC4 und NEARC2 wirken sich positiv auf die Dauer der Schulausbildung aus In IV-Schätzung erhöht sich die geschätzte Rendite der Schulausbildung auf 15,7% im Vergleich zu 7,5% bei OLS-Schätzung. Der Schätzfehler bei der IV Schätzung (Standardfehler des Koeffizienten) liegt bei und ist damit viel höher als bei der OLS Schätzung, für die er bei liegt.
10 10 KAPITEL 4. ÖKONOMETRIE: MULTIVARIATE LINEARE REGRESSION Fehler in den Variablen (Wooldridge, Kapitel 9.4) 1. Fehler in zu erklärender Variable Wahre Funktion: yi = β 1 + β 2 x i + u i Geschätzt wird mit y i als Proxy für yi : y i = y i + ε i = β 1 + β 2 x i + u } i {{ + ε } i Wenn E(ε i x i ) = 0 gilt, dann können wir β 1 und β 2 auch erwartungstreu mit y i als zu erklärende Variable schätzen Allerdings weisen geschätzte Koeffizienten höhere Varianzen auf
11 4.2. MULTIVARIATE LINEARE REGRESSION Fehler in erklärender Variable Wahre Funktion: y i = β 1 + β 2 x i + u i Geschätzt wird mit x i als Proxy für x i : x i = x i + ε i Daher wird geschätzt y i = β 1 + β 2 x i + u i = β 1 + β 2 x i + (u i β 2 ε i ) mit dem Fehlerterm v i = u i β 2 ε i.
12 12 KAPITEL 4. ÖKONOMETRIE: MULTIVARIATE LINEARE REGRESSION Wenn E(ε i x i ) = 0 (klassisches Messfehlermodell) und E(u i x i ) = 0, dann gilt: Cov(x i, ε i ) = Cov(x i, ε i ) + Cov(ε i, ε i ) = σ 2 ε Somit ist der Fehlerterm im Schätzmodell mit dem Regressor x i korreliert und damit ist der OLS Schätzer verzerrt: plim ˆβ 2 = β 2 ( σ 2 x σ 2 x + σ 2 ε ) = β 2 ( σ 2 ε/σ 2 x Konsequenz: ˆβ 2 ist Richtung null verzerrt ( Attenuation Bias ), d.h. Koeffizienten werden im Betrag zu klein geschätzt. Die Verzerrung hängt von der Signal to Noise Ratio σ 2 x /σ 2 ε ab. )
Wahrscheinlichkeitslimes und Konsistenz eines Schätzers
5.5. IV SCHÄTZUNG 1 5.5 Multivariate lineare Regression: Fehler in den Variablen, Proxies, Endogenität, Instrumentvariablenschätzung Wahrscheinlichkeitslimes und Konsistenz eines Schätzers Literatur: Gujarati
MehrEmpirical Banking and Finance
Empirical Banking and Finance Vorlesung zur Volkswirtschaftspolitik Prof. Dr. Isabel Schnabel Lehrstuhl für Volkswirtschaftslehre, insb. Financial Economics Johannes Gutenberg-Universität Mainz Wintersemester
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
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrFakultät 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;
MehrMehrdimensionale 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,
MehrInstrumentvariablen und Instrumentvariablenschätzer
Instrumentvariablen und Instrumentvariablenschätzer Ausgangspunkt der Überlegungen Es gibt endogene erklärende Variable. D. h. diese erklärenden Variablen werden selbst wieder durch das Modell erklärt.
MehrLineare Regression (Ein bisschen) Theorie
Kap. 6: Lineare Regression (Ein bisschen) Theorie Lineare Regression in Matrixform Verteilung des KQ-Schätzers Standardfehler für OLS Der Satz von Gauss-Markov Das allgemeine lineare Regressionsmodell
MehrSimultane Mehrgleichungssysteme: Parameterschätzung
Simultane Mehrgleichungssysteme: Parameterschätzung Stichwörter: Eigenschaften des OLS-Schätzers Hilfsvariablenschätzer 2SLS limited information Methoden 3SLS FIML full information Methoden o1-21.tex/0
MehrAusgewählte Probleme der Ökonometrie
Ausgewählte Probleme der Ökonometrie Bernd Süßmuth IEW Institute für Empirische Wirtschaftsforschung Universität Leipzig October 16, 2012 Bernd Süßmuth (Universität Leipzig) APÖ October 16, 2012 1 / 28
MehrKapitel 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
MehrInferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
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
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
Mehr1. Lösungen zu Kapitel 8
1. Lösungen zu Kapitel 8 Übungsaufgabe 8.1 a) Falsch! Die Nichtberücksichtigung von unwichtigen Variablen für die Identifikation kausaler Effekte stellt kein Problem dar, sofern diese Variablen keinen
MehrFortgeschrittene Ökonometrie: Maximum Likelihood
Universität Regensburg, Lehrstuhl für Ökonometrie Sommersemester 202 Fortgeschrittene Ökonometrie: Maximum Likelihood Poissonverteilung Man betrachte die poisson-verteilten Zufallsvariablen y t, t =, 2,...,
Mehr2 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
MehrStatistik 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)
MehrMehrgleichungsmodelle: Schätzverfahren
1 / 26 Mehrgleichungsmodelle: Schätzverfahren Kapitel 21 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 26 Inhalt SUR, seemingly unrelated regressions Systeme von interdependenten Gleichungen
MehrDie Momentenmethode. Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare
17.1.3 Die Momentenmethode Vorteil: Oft einfach anwendbar. Nachteil: Güte kann nur schwer allgemein beurteilt werden; liefert zum Teil unbrauchbare Lösungen. Sei ϑ = (ϑ 1,...,ϑ s ) der unbekannte, s-dimensionale
MehrKurs Empirische Wirtschaftsforschung
Kurs Empirische Wirtschaftsforschung 5. Bivariates Regressionsmodell 1 Martin Halla Institut für Volkswirtschaftslehre Johannes Kepler Universität Linz 1 Lehrbuch: Bauer/Fertig/Schmidt (2009), Empirische
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
MehrEmpirical Banking and Finance
Empirical Banking and Finance Vorlesung zur Volkswirtschaftspolitik Prof. Dr. Isabel Schnabel Lehrstuhl für Volkswirtschaftslehre, insb. Financial Economics Johannes Gutenberg-Universität Mainz Wintersemester
MehrEconometrics Übung 1. CLRM & Verletzung der Unabhängigkeitsannahme
Econometrics Übung 1 CLRM & Verletzung der Unabhängigkeitsannahme CLRM 1. Repetition: Gauss-Markov-Annahmen 2. Beispiel: Income & Consumption Verletzung der Unabhängigkeitsannahme 3. Repetition: Was passiert,
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
MehrProbeklausur - Statistik II, SoSe 2017
Probeklausur - Statistik II, SoSe 2017 Aufgabe 1: Mehrdimensionale Zufallsvariablen (15 Punkte) Gegeben sei ein zweidimensionaler stetiger Zufallsvektor X = (X 1, X 2 ) T mit der gemeinsamen Dichtefunktion
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
Mehr1. (Alles folgende gilt auf dem in der Aufgabenstellung vorausgesetzten 5%-Signi kanzniveau):
Übung zur Vorlesung Ökonometrie Masterstudiengang Wintersemester 215/16 Lösungshinweise zu Aufgabenblatt 8 1. (Alles folgende gilt auf dem in der Aufgabenstellung vorausgesetzten 5%-Signi kanzniveau):
MehrEmpirische Wirtschaftsforschung
Kurzfassung Empirische Wirtschaftsforschung Is it magic? [WS09/10 Prof. Urban] Die Zusammenfassung dient lediglich zur Klausurvorbereitung, kann jedoch nicht Vorlesung und Übung ersetzen. Es kann keine
MehrDatenanalyse mit Excel und Gretl
Dozent: Christoph Hindermann christoph.hindermann@uni-erfurt.de Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 1 Teil 2: Gretl Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 2 Modellannahmen
MehrÖkonometrie. Hans Schneeweiß. 3., durchgesehene Auflage. Physica-Verlag Würzburg-Wien 1978 ISBN
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Hans Schneeweiß Ökonometrie 3., durchgesehene Auflage Physica-Verlag
MehrMehrgleichungsmodelle
1 / 25 Mehrgleichungsmodelle Kapitel 20 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 25 Inhalt SUR, seemingly unrelated regressions Systeme von interdependenten Gleichungen Identifikation
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrAngewandte 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
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Review)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Review) 1 Diskrete Zufallsvariablen (Random variables) Eine Zufallsvariable X(c) ist eine Variable (genauer eine Funktion), deren Wert vom Ergebnis c
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrÖkonometrische 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
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrIdentifizierbarkeit von Modellen
Identifizierbarkeit von Modellen Stichwörter: Simultanes Mehrgleichungsmodell Struktur- und reduzierte Form Vollständigkeit Identifizierbarkeit Abzählbedingung Rangbedingung o1-19.tex/0 Interdependente
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 3.6 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula
MehrLineare Regression mit einem Regressor: Einführung
Lineare Regression mit einem Regressor: Einführung Quantifizierung des linearen Zusammenhangs von zwei Variablen Beispiel Zusammenhang Klassengröße und Testergebnis o Wie verändern sich Testergebnisse,
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrStatistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg
Statistische Methoden der Datenanalyse Wintersemester 2011/2012 Albert-Ludwigs-Universität Freiburg Dr. Stan Lai und Prof. Markus Schumacher Physikalisches Institut Westbau 2 OG Raum 008 Telefonnummer
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrMan kann also nicht erwarten, dass man immer den richtigen Wert trifft.
2.2.2 Gütekriterien Beurteile die Schätzfunktionen, also das Verfahren an sich, nicht den einzelnen Schätzwert. Besonders bei komplexeren Schätzproblemen sind klar festgelegte Güteeigenschaften wichtig.
MehrVorlesung 4: Spezifikation der unabhängigen Variablen
Vorlesung 4: Spezifikation der unabhängigen Variablen. Fehlspezifikation der unabhängigen Variablen. Auswirkungen einer Fehlspezifikation a. auf die Erwartungstreue der Schätzung b. auf die Effizienz der
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrVorlesung: Lineare Modelle
Vorlesung: Lineare Modelle Prof Dr Helmut Küchenhoff Institut für Statistik, LMU München SoSe 2014 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief. Statistik II
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Wiederholung Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
Mehr= 2 ( 3250,3 ( 3251,5)) = 1,1662 F(2,800) = 2,4 χ2
Pobeklausur: Einführung in die Ökonometrie (Lösung) Gesamtpunktzahl: 96 1. (20 Punkte) a) Anmerkung: statt im Durchschnitt kann auch der/die/das erwartete... stehen. educ : Wenn die Bildung um 1 Jahr steigt,
MehrStatistik 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
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
MehrFlussdiagramm der ökonometrischen Methode
Flussdiagramm der ökonometrischen Methode z.b Sättigungs modell Parameter schätzung Daten Sach verhalt oder Spezifikation des ökonometrischen Modells geschätztes Modell phäno menologische Modellierung
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte : Schätzung Statistik
MehrEmpirische 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
MehrFortgeschrittene Ökonometrie: GLS
Universität Regensburg, Lehrstuhl für Ökonometrie Sommersemester 2012 Fortgeschrittene Ökonometrie: GLS 1 Verallgemeinerte Kleinst-Quadrate als Momentenschätzer Betrachten Sie das Modell y = Xβ + u, E(uu
MehrDynamische Modelle: Schätzen und Modellwahl
1 / 23 Dynamische Modelle: Schätzen und Modellwahl Kapitel 18 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 23 Inhalt Dynamische Modelle und autokorrelierte Fehler Tests auf Autokorrelation
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
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,
MehrZahl 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
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
MehrEinführung 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
MehrStatistik 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:.............................................................................
MehrZusammenfassung: Einfache lineare Regression I
4 Multiple lineare Regression Multiples lineares Modell 41 Zusammenfassung: Einfache lineare Regression I Bisher: Annahme der Gültigkeit eines einfachen linearen Modells y i = β 0 + β 1 x i + u i, i {1,,
MehrVorlesung 12: Ausblick - Was wir nicht besprochen haben
Vorlesung 12: Ausblick - Was wir nicht besprochen haben 1. Instrumentalvariablen 2. Regressionsmodelle für spezielle Datenkonstellationen 3. Messfehler 4. Systeme mit mehreren Regressionsgleichungen Vorlesung
MehrDas Identifikationsproblem
Draft 1 Das Identifikationsproblem Simultane Strukturmodelle sind insbesondere in den Sozialwissenschaften wichtig, da dort Zusammenhänge sehr häufig interdependenter Natur sind. Dies wirft einige schwerwiegende
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 27
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 27 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrStochastik Praktikum Parametrische Schätztheorie
Stochastik Praktikum Parametrische Schätztheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 05.10.2010 Prolog Momentenmethode X : Ω 1 Ω Zufallsgröße, die Experiment beschreibt. Ein statistisches
MehrFrequentisten und Bayesianer. Volker Tresp
Frequentisten und Bayesianer Volker Tresp 1 Frequentisten 2 Die W-Verteilung eines Datenmusters Nehmen wir an, dass die wahre Abhängigkeit linear ist, wir jedoch nur verrauschte Daten zur Verfügung haben
MehrLehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im SS 2012
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im SS 2012 Aufgabe 1 (20 Punkte) Sei y = Xβ + ε ein N 1 Vektor und X eine N K Matrix.
MehrStochastische Trends und Unit root-tests
Stochastische Trends und Unit root-tests Stichwörter: Random walk stochastischer Trend unit root Trend-Stationarität Differenz-Stationarität Dickey-Fuller (DF-)Test Augmented Dickey-Fuller (ADF-)Test o1-15.tex/0
MehrKapitel 4. Zensierte (censored) und gestutzte (truncated) abhängige Variablen, Sample Selection
Kapitel 4 Zensierte (censored) und gestutzte (truncated) abhängige Variablen, Sample Selection In den vorhergehenden Abschnitten haben wir uns mit Fällen beschäftigt, in denen die abhängige Variable y
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
Mehry = b 0 + b 1 x 1 x 1 ε 1. ε n b + b 1 1 x n 2) Hat die Größe x einen Einfluss auf y, d.h. gilt die Hypothese: H : b 1 = 0
8 Lineare Modelle In diesem Abschnitt betrachten wir eine spezielle Klasse von statistischen Modellen, in denen die Parameter linear auftauchen Wir beginnen mit zwei Beispielen Beispiel 8 (lineare Regression)
MehrEGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN
1 EGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN UFBAU 1 Historie 2 Anwendungen / Ziele 3 Lineare Regression/ Beispiel KQ 4 Nichtlineare Regression 5 Eigenschaften der Schätzer istorie früheste Form
MehrGewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h
5. Die partielle Autokorrelationsfunktion 5.1 Definition, Berechnung, Schätzung Bisher: Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h ρ X (h) = Corr(X t, X
MehrSchätzung im multiplen linearen Modell VI
Schätzung im multiplen linearen Modell VI Wie im einfachen linearen Regressionsmodell definiert man zu den KQ/OLS-geschätzten Parametern β = ( β 0, β 1,..., β K ) mit ŷ i := β 0 + β 1 x 1i +... β K x Ki,
MehrBachelorprüfung im Sommersemester 2013
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung im Sommersemester 2013 Empirische Wirtschaftsforschung II Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr.
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
Mehr6. Schätzverfahren für Parameter
6. Schätzverfahren für Parameter Ausgangssituation: Ein interessierender Zufallsvorgang werde durch die ZV X repräsentiert X habe eine unbekannte Verteilungsfunktion F X (x) Wir interessieren uns für einen
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrVorlesung 3: Schätzverfahren
Vorlesung 3: Schätzverfahren 1. Beispiel: General Social Survey 1978 2. Auswahl einer Zufallsstichprobe und Illustration des Stichprobenfehlers 3. Stichprobenverteilung eines Regressionskoeffizienten 4.
MehrLineare Regression. Kapitel Regressionsgerade
Kapitel 5 Lineare Regression 5 Regressionsgerade Eine reelle Zielgröße y hänge von einer reellen Einflussgröße x ab: y = yx) ; zb: Verkauf y eines Produkts in Stückzahl] hängt vom Preis in e] ab Das Modell
Mehr7. 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
MehrAnalyse von Querschnittsdaten. Spezifikation der unabhängigen Variablen
Analyse von Querschnittsdaten Spezifikation der unabhängigen Variablen Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 3.0.004 0.0.004
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
Mehr1 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
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
Mehr