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

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

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

Transkript

1 Modelle mit Interationsvariablen I Modelle mit Interationsvariablen II In der beim White-Test verwendeten Regressionsfuntion y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x β 4 x β 5 x 1 x 2, ist anders als bei den bisher näher betrachteten polynomialen oder (semi-)log-modellen der marginale Effet einer Änderung von x 1 auf y y x 1 = β 1 + 2β 3 x 1 + β 5 x 2 nicht nur von der betrachteten Stelle x 1 des 1. Regressors, sondern auch vom Wert x 2 des 2. Regressors abhängig! Ursächlich hierfür ist die Verwendung des Produts x 1 x 2 als unabhängige Variable. Man bezeichnet solche Produte als Interationsvariablen oder Interationsterme. Wir betrachten nun die folgenden drei Fälle: 1 Interation von zwei Dummyvariablen 2 Interation einer Dummyvariablen mit einer ardinalsalierten Variablen 3 Interation von zwei ardinalsalierten Variablen Erinnerung: Dummyvariablen (auch 0,1-Indiatorvariablen genannt, im Folgenden auch mit d statt x bezeichnet) sind Regressoren, die nur die Werte 0 und 1 annehmen. Der Wert 1 einer Dummyvariablen d i ennzeichnet bei einem betrachteten Datenpunt i in der Regel das Vorhandensein eines gewissen Charateristiums/einer gewissen Eigenschaft bzw. die Zugehörigeit zu einer gewissen Gruppe. Der Wert 1 eines Produts d i d li von zwei Dummyvariablen d und d l tritt also bei den Datenpunten i auf, bei denen beide Charateristia bzw. Gruppenzugehörigeiten gleichzeitig vorliegen. Öonometrie (SS 2014) Folie 325 Öonometrie (SS 2014) Folie 326 Interation von zwei Dummyvariablen I Interationsvariablen zu 2 Dummyvariablen sind also beispielsweise dann in ein Modell aufzunehmen, wenn der Effet der Zugehörigeit zu einer Gruppe nicht unabhängig vom Vorliegen eines weiteren Charateristiums ist. Beispiel: Betrachte das Modell y i = β 0 + β 1 d 1i + β 2 d 2i + u i, i {1,..., n}, z.b. zu einer Stichprobe von Monatseinommen (y i ) von 30-jährigen Frauen (d2i = 1) und Männern (d 2i = 0) mit aademischem Grad (d1i = 1) und ohne aademischen Grad (d 1i = 0). In dieser Spezifiation ist das Basiseinommen (Absolutglied) für Männer (β0) und Frauen (β 0 + β 2) unterschiedlich, aber der Effet eines abgeschlossenen Studiums für Männer und Frauen gleich (β1). Interation von zwei Dummyvariablen II Die Einführung einer zusätzlichen Interationsvariablen d 1i d 2i ist hier gleichbedeutend damit, dass für Männer und Frauen das Basiseinommen (Absolutglied) und der Effet des aademischen Grades unterschiedlich sein önnen: y i = y i = β 0 + β 1 d 1i + β 2 d 2i + β 3 d 1i d 2i + u i { β 0 + β 1 d 1i + u i, falls i männlich (β 0 + β 2 ) + (β 1 + β 3 )d 1i + u i, falls i weiblich In diesem Modell ann man mit (jeweils) einem t-test überprüfen, ob das Basiseinommen geschlechtsabhängig ist (H1 : β 2 0), der Effet des aademischen Grades geschlechtsabhängig ist (H1 : β 3 0). Mit einem F -Test (H 1 : (β 2, β 3 ) (0, 0) ) ann außerdem (gemeinsam) überprüft werden, ob das Geschlecht in dem Modell irgendeinen Einfluss auf das Monatseinommen hat. Öonometrie (SS 2014) Folie 327 Öonometrie (SS 2014) Folie 328

2 Interation einer ardinalsalierten mit einer Dummyvariablen I Eine Interationsvariable zu einer ardinalsalierten und einer Dummyvariablen ist dann in ein Modell aufzunehmen, wenn der Effet einer ardinalsalierten Variablen nicht unabhängig vom Vorliegen eines bestimmten Charateristiums bzw. der Zugehörigeit zu einer bestimmten Gruppe ist. Beispiel: Betrachte das Modell y i = β 0 + β 1 x 1i + β 2 d 2i + u i, i {1,..., n}, z.b. zu einer Stichprobe von Monatseinommen (y i ) von Männern mit (d2i = 1) und ohne (d 2i = 0) aademischen Grad mit einer Anzahl von x1i Jahren an Berufserfahrung. In dieser Spezifiation ist das Basiseinommen (Absolutglied) der Nichtaademier (β0) und der Aademier (β 0 + β 2) unterschiedlich, aber der Effet eines Jahres Berufserfahrung für Nichtaademier und Aademier gleich (β 1). Öonometrie (SS 2014) Folie 329 Interation einer ardinalsalierten mit einer Dummyvariablen II Die Einführung einer zusätzlichen Interationsvariablen x 1i d 2i sorgt hier dafür, dass für Nichtaademier und Aademier das Basiseinommen (Absolutglied) und der Effet der Berufserfahrung unterschiedlich sein önnen: y i = y i = β 0 + β 1 x 1i + β 2 d 2i + β 3 x 1i d 2i + u i { β 0 + β 1 x 1i + u i, falls i Nichtaademier (β 0 + β 2 ) + (β 1 + β 3 )x 1i + u i, falls i Aademier Auch in diesem Modell ann man mit (jeweils) einem t-test überprüfen, ob das Basiseinommen vom Vorhandensein eines aademischen Grads abhängt (H 1 : β 2 0), der Effet der Berufserfahrung für Nichtaademier und Aademier unterschiedlich ist (H 1 : β 3 0). Mit einem F -Test (H 1 : (β 2, β 3 ) (0, 0) ) ann außerdem wiederum (gemeinsam) überprüft werden, ob das Vorhandensein eines aademischen Grads in dem Modell irgendeinen Einfluss auf das Monatseinommen hat. Öonometrie (SS 2014) Folie 330 Interation von zwei ardinalsalierten Variablen I Eine Interationsvariable zu zwei ardinalsalierten Variablen ist dann in ein Modell aufzunehmen, wenn der Effet einer ardinalsalierten Variablen nicht unabhängig vom Wert einer anderen ardinalsalierten Variablen ist. Beispiel: Betrachte das Modell y i = β 0 + β 1 x 1i + β 2 x 2i + u i, i {1,..., n}, z.b. zu einer Stichprobe von Monatseinommen (y i ) von Männern mit einer Anzahl von x1i Jahren an Berufserfahrung und einer Ausbildungszeit von x2i Jahren. In dieser Spezifiation ist der Effet eines (zusätzlichen) Jahres an Berufserfahrung unabhängig von der Ausbildungszeit gleich β 1 und der Effet eines (zusätzlichen) Jahres an Ausbildungszeit unabhängig von der Berufserfahrung gleich β 2. Öonometrie (SS 2014) Folie 331 Interation von zwei ardinalsalierten Variablen II Die Einführung einer zusätzlichen Interationsvariablen x 1i x 2i sorgt hier dafür, dass der Effet eines (zusätzlichen) Jahres an Berufserfahrung bzw. Ausbildungszeit jeweils abhängig vom Niveau der anderen Variablen sein ann. Für die Regressionsfuntion zum Modellansatz gilt nämlich: y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 1 x 2 y i = β 0 + β 1 x 1i + β 2 x 2i + β 3 x 1i x 2i + u i, y x 1 = β 1 + β 3 x 2 sowie i {1,..., n}, y x 2 = β 2 + β 3 x 1 In diesem Modell ann mit einem t-test überprüft werden, ob tatsächlich eine signifiante Interation vorliegt und der Effet eines (zusätzlichen) Jahres an Berufserfahrung bzw. Ausbildungszeit jeweils abhängig vom Niveau der anderen Variablen ist. Öonometrie (SS 2014) Folie 332

3 Beispiel: Modelle mit Interationen I Im Lohnhöhenbeispiel wurde bisher als Modell Lohnhöhe i = β 0 + β 1 Ausbildung i + β 2 Alter i + u i angenommen, mit dem folgenden Schätzergebnis (unter Annahme homosedastischer Störgrößen): lm(formula = Lohnhöhe ~ Ausbildung + Alter) (Intercept) e-06 *** Ausbildung ** Alter * Residual standard error: on 17 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 2 and 17 DF, p-value: Öonometrie (SS 2014) Folie 333 Beispiel: Modelle mit Interationen II Die Schätzung bei Hinzunahme einer Interationsvariablen für die Regressoren Ausbildung und Alter ergibt (unter Annahme homosedatischer Störgrößen): lm(formula = Lohnhöhe ~ Ausbildung + Alter + I(Ausbildung * Alter)) (Intercept) * Ausbildung Alter * I(Ausbildung * Alter) Residual standard error: on 16 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 3 and 16 DF, p-value: Öonometrie (SS 2014) Folie 334 Beispiel: Modelle mit Interationen III Auch die Verwendung robuster Standardfehler ( V hc1 ( β)) ändert die Schätzergebnisse nicht wesentlich: t test of coefficients: (Intercept) ** Ausbildung Alter * I(Ausbildung * Alter) Die Berechnung der Varianzinflationsfatoren offenbart das entstandene Multiollinearitätsproblem: > library(car) > vif(lm(lohnhöhe~ausbildung+alter+i(ausbildung*alter))) Ausbildung Alter I(Ausbildung * Alter) Beispiel: Modelle mit Interationen IV Betrachte nun die folgende Ergänzung des Datensatzes um die Dummyvariablen Weiblich (mit Wert 1 für weibliche und 0 für männliche Betriebsangehörige) sowie Stamm (mit Wert 1 für Beschäftigte mit über 25 Jahren Betriebszugehörigeit, 0 sonst) zum Lohnhöhenbeispiel: i Lohnhöhe y i Ausbildung x 1i Alter x 2i Weiblich d 3i Stamm d 4i i Lohnhöhe y i Ausbildung x 1i Alter x 2i Weiblich d 3i Stamm d 4i Öonometrie (SS 2014) Folie 335 Öonometrie (SS 2014) Folie 336

4 Beispiel: Modelle mit Interationen V Eine erste Modellschätzung mit der zusätzlichen Dummyvariablen Stamm ergibt: lm(formula = Lohnhöhe ~ Ausbildung + Alter + Stamm) (Intercept) e-05 *** Ausbildung * Alter Stamm Residual standard error: on 16 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 3 and 16 DF, p-value: Beispiel: Modelle mit Interationen VI Eine Modellschätzung mit der zusätzlichen Dummyvariablen Weiblich ergibt: lm(formula = Lohnhöhe ~ Ausbildung + Alter + Weiblich) (Intercept) e-07 *** Ausbildung ** Alter ** Weiblich ** Residual standard error: on 16 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 3 and 16 DF, p-value: 5.128e-06 Öonometrie (SS 2014) Folie 337 Öonometrie (SS 2014) Folie 338 Beispiel: Modelle mit Interationen VII Eine Modellschätzung mit den zusätzlichen Dummyvariablen Stamm und Weiblich ergibt: lm(formula = Lohnhöhe ~ Ausbildung + Alter + Weiblich + Stamm) (Intercept) e-06 *** Ausbildung * Alter * Weiblich ** Stamm Residual standard error: 184 on 15 degrees of freedom Multiple R-squared: , Adjusted R-squared: 0.76 F-statistic: on 4 and 15 DF, p-value: 2.7e-05 Beispiel: Modelle mit Interationen VIII Variante I: Hinzufügen der Interation von Weiblich und Stamm: lm(formula = Lohnhöhe ~ Ausbildung + Alter + Weiblich + Stamm + I(Weiblich * Stamm)) (Intercept) e-07 *** Ausbildung *** Alter ** Weiblich * Stamm I(Weiblich * Stamm) ** Residual standard error: on 14 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: 25.7 on 5 and 14 DF, p-value: 1.375e-06 Öonometrie (SS 2014) Folie 339 Öonometrie (SS 2014) Folie 340

5 Beispiel: Modelle mit Interationen IX Beispiel: Modelle mit Interationen X Breusch-Pagan-Test (nach Koener) im ursprünglichen Modell: studentized Breusch-Pagan test data: lm(lohnhöhe ~ Ausbildung + Alter) BP = , df = 2, p-value = Breusch-Pagan-Test (nach Koener) im Modell mit Dummyvariablen: studentized Breusch-Pagan test data: lm(lohnhöhe ~ Ausbildung + Alter + Weiblich + Stamm) BP = , df = 4, p-value = Breusch-Pagan-Test (nach Koener) im Modell mit Dummyvariablen und Interationsterm: studentized Breusch-Pagan test data: lm(lohnhöhe ~ Ausbildung + Alter + Weiblich + Stamm + I(Weiblich * Stamm)) BP = , df = 5, p-value = Variante II: Hinzufügen der Interation von Weiblich und Ausbildung: lm(formula = Lohnhöhe ~ Ausbildung + Alter + Weiblich + Stamm + I(Weiblich * Ausbildung)) (Intercept) e-07 *** Ausbildung *** Alter ** Weiblich Stamm I(Weiblich * Ausbildung) ** Residual standard error: on 14 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 5 and 14 DF, p-value: 4.073e-06 Öonometrie (SS 2014) Folie 341 Öonometrie (SS 2014) Folie 342 Beispiel: Modelle mit Interationen XI Variante III: Hinzufügen der Interation von Weiblich und Ausbildung sowie von Weiblich und Alter : lm(formula = Lohnhöhe ~ Ausbildung + Alter + Weiblich + Stamm + I(Weiblich * Ausbildung) + I(Weiblich * Alter)) (Intercept) e-05 *** Ausbildung ** Alter ** Weiblich Stamm I(Weiblich * Ausbildung) I(Weiblich * Alter) Beispiel: Modelle mit Interationen XII Die Berechnung der Varianzinflationsfatoren offenbart erneut ein Multiollinearitätsproblem: > vif(lm(lohnhöhe~ausbildung+alter+weiblich+stamm+ + I(Weiblich*Ausbildung)+I(Weiblich*Alter))) Ausbildung Alter Weiblich Stamm I(Weiblich * Ausbildung) I(Weiblich * Alter) Die Hinzunahme von Interationstermen (und anderen in den Regressoren nichtlinearen Variablen) lässt insgesamt eine sehr flexible Modellbildung zu. Die Schätzungenauigeiten (z.b. Standardfehler) werden aber (insbesondere wie im Beispiel bei Schätzung auf Basis leiner Datensätze) mit zunehmender Variablenanzahl tendenziell immer größer! Residual standard error: on 13 degrees of freedom Multiple R-squared: 0.891, Adjusted R-squared: F-statistic: on 6 and 13 DF, p-value: 1.448e-05 Öonometrie (SS 2014) Folie 343 Öonometrie (SS 2014) Folie 344

6 Inhaltsverzeichnis (Ausschnitt) 5 Nichtlineare Regressionsfuntionen Nichtlinearität in den Regressoren Nichtlinearität in einer Variablen Modelle mit Interationen Struturbruchmodelle Öonometrie (SS 2014) Folie 345 Struturbruchmodelle I Ein Spezialfall von Modellen mit Dummyvariablen insbesondere auch in Interationstermen sind sogenannte Struturbruchmodelle. Als Struturbruch wird eine (abrupte) Änderung der Parameterstrutur (im Ganzen oder in Teilen) bezeichnet. Struturbruchmodelle erlauben diese Änderung der Parameterstrutur im Rahmen des formulierten Modells. Die Änderung eines oder mehrerer Regressionsparameter ann dabei zum Beispiel beim Wechsel zwischen verschiedenen Gruppen des Datensatzes oder insbesondere bei Zeitreihendaten beim Wechsel zwischen verschiedenen Zeiträumen auftreten. Wird die mögliche Änderung der Parameter nicht in einem entsprechenden Struturbruchmodell zugelassen, sondern stattdessen von onstanten Parametern ausgegangen, handelt es sich im Fall eines tatsächlich vorliegenden Struturbruchs um eine Annahmeverletzung, welche die Schätzergebnisse (des dadurch fehlspezifizierten Modells) oft unbrauchbar macht. Öonometrie (SS 2014) Folie 346 Struturbruchmodelle II Zur Formulierung eines einfachen Struturbruchmodells mit zwei Phasen (1) und (2) oder Gruppen (1) und (2) seien die Indizes {1,..., n} der n Datenpunte gemäß der beiden Phasen/Gruppen durch die Mengen partitioniert. I (1) {1,..., n} und I (2) = {1,..., n}\i (1) Die möglichen Parameterunterschiede in den beiden Phasen/Gruppen önnen offensichtlich durch eine getrennte Schätzung der beiden Regressionsmodelle und y i = β (1) 0 + β (1) 1 x 1i β (1) K x Ki + u i, i I (1), y i = β (2) 0 + β (2) 1 x 1i β (2) K x Ki + u i, i I (2), berücsichtigt werden. (Die Rangbedingung an die Regressormatrix muss für beide Modelle erfüllt bleiben, insbesondere folgen hieraus Mindestgrößen von I (1) und I (2)!) Struturbruchmodelle III Mit einer die Gruppen-/Phasenzugehörigeit beschreibenden Dummyvariablen { 0 falls i I (1) d i := 1 falls i I (2) lassen sich die beiden Einzelschätzungen alternativ jedoch auch ein in einem (größeren) Struturbruchmodell der Gestalt y i = β (1) 0 +δ 0d i +β (1) 1 x 1i +δ 1 d i x 1i +...+β (1) K x Ki +δ K d i x Ki +u i, i {1,..., n}, mit 2K + 2 Regressionsparametern subsummieren, wobei zwischen den Parametern dann die Beziehung δ = β (2) β (1) bzw. β (2) = β (1) + δ für {0,..., K} gilt. Öonometrie (SS 2014) Folie 347 Öonometrie (SS 2014) Folie 348

7 Struturbruchmodelle IV Struturbruchmodelle V Aus den Ergebnissen einer OLS-/KQ-Schätzung des Struturbruchmodells lassen sich dann mit t-tests bzw. F -Tests Rücschlüsse auf das (tatsächliche) Vorliegen von Parameterunterschieden ziehen. Relevant sind hierbei insbesondere t-tests auf Signifianz einzelner Parameter δ, {0,..., K}, also H 1 : δ 0, sowie F -Tests auf Signifianz von mindestens einem der Parameter δ0, δ 1,..., δ K, also H 1 : δ 0 für mind. ein {0,..., K}, denn wegen der bereits sizzierten Parameterzusammenhänge gilt δ = 0 β (1) = β (2) für alle {0,..., K}. Je nachdem, ob von homosedastischen oder heterosedastischen Störgrößen ausgegangen werden soll, sind die entsprechenden Darstellungen der jeweiligen Tests zu verwenden. Für die Durchführung des F -Tests auf Signifianz von mindestens einem der Parameter δ 0, δ 1,..., δ K besteht bei Annahme homosedastischer Störgrößen die Möglicheit, das ursprüngliche Modell y i = β 0 + β 1 x 1i β K x Ki + u i ohne die Struturbruchomponente einmal für den Gesamtdatensatz (i {1,..., n}) als restringiertes Modell sowie zusätzlich jeweils einmal für die Phasen/Gruppen (i I(1) bzw. i I (2) ) (als insgesamt unrestringiertes Modell) zu schätzen und die (Gesamt-)Summen der Residuenquadrate in der entsprechenden Darstellung der F -Statisti aus Folie 236 einzusetzen. (Beispiel: Übungsblatt) Zu beachten ist dabei, dass die übrigen Ergebnisse dieser Hilfsregressionen nur teilweise sinnvoll zu interpretieren sind! Öonometrie (SS 2014) Folie 349 Öonometrie (SS 2014) Folie 350 Struturbruchmodelle VI Beispiel: Struturbruchmodell I Struturbruchmodelle sind auch für omplexere Situation onstruierbar, insbesondere wenn mehr als zwei Gruppen/Phasen betrachtet werden sollen. Dazu ist dann eine allgemeinere Partitionierung der Beobachtungen {1,..., n} in M Teilmengen I (1),..., I (M) mit den Eigenschaften M I (j) = {1,..., n} und I (j) I (l) = für j l j=1 durchzuführen. Während wir Struturbruchmodelle als Spezialfall von Modellen mit Dummyvariablen betrachten, werden (in der Literatur) gelegentlich auch Modelle mit Dummyvariablen als spezielle Struturbruchmodelle aufgefasst. Für ein Modell, welches im Lohnhöhenbeispiel unterschiedliche Parameter für männliche und weibliche Betriebsangehörige zulässt, erhält man: lm(formula = Lohnhöhe ~ Weiblich + Ausbildung + I(Weiblich * Ausbildung) + Alter + I(Weiblich * Alter)) (Intercept) e-06 *** Weiblich Ausbildung ** I(Weiblich * Ausbildung) Alter *** I(Weiblich * Alter) Residual standard error: on 14 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 5 and 14 DF, p-value: 4.056e-06 Öonometrie (SS 2014) Folie 351 Öonometrie (SS 2014) Folie 352

8 Beispiel: Struturbruchmodell II Eine Schätzung des Struturbruchmodells unter Annahme heterosedastischer Störgrößen (und Verwendung von V hc1 ( β)) liefert: t test of coefficients: (Intercept) e-06 *** Weiblich Ausbildung ** I(Weiblich * Ausbildung) * Alter *** I(Weiblich * Alter) Zum Niveau α = 0.05 ist nun wenigstens der Koeffizient zur Interation von Weiblich mit Ausbildung, zum Niveau α = 0.10 darüberhinaus der zur Interation von Weiblich mit Alter signifiant von Null verschieden. Beispiel: Struturbruchmodell III Obwohl unter Annahme homosedatischer Störgrößen ein einziger der Struturbruchparameter δ signifiant (α = 0.05) von Null verschieden ist, erhält man zum F -Test für die (gemeinsame) Nullhypothese H 0 : δ 0 = δ 1 = δ 2 = 0 das Ergebnis (Befehl linearhypothesis im R-Paet car): Linear hypothesis test Hypothesis: Weiblich = 0 I(Weiblich * Ausbildung) = 0 I(Weiblich * Alter) = 0 Model 1: restricted model Model 2: Lohnhöhe ~ Weiblich + Ausbildung + I(Weiblich * Ausbildung) + Alter + I(Weiblich * Alter) Res.Df RSS Df Sum of Sq F Pr(>F) *** Öonometrie (SS 2014) Folie 353 Öonometrie (SS 2014) Folie 354 Beispiel: Struturbruchmodell IV Eine Durchführung des F -Tests unter Annahme heterosedastischer Störgrößen (bei Verwendung von V hc1 ( β)) liefert ein ähnliches Resultat: Linear hypothesis test Hypothesis: Weiblich = 0 I(Weiblich * Ausbildung) = 0 I(Weiblich * Alter) = 0 Model 1: restricted model Model 2: Lohnhöhe ~ Weiblich + Ausbildung + I(Weiblich * Ausbildung) + Alter + I(Weiblich * Alter) Note: Coefficient covariance matrix supplied. Res.Df Df F Pr(>F) *** Beispiel: Struturbruchmodell V Dass die einzelnen t-tests die jeweilige Nullhypothese nicht ablehnen önnen, scheint zumindest teilweise durch ein Multiollinearitätsproblem im Struturbruchmodell begründet zu sein, für die Varianz-Inflations-Fatoren erhält man: Weiblich Ausbildung I(Weiblich * Ausbildung) Alter I(Weiblich * Alter) Nicht uninteressant ist das Resultat des Breusch-Pagan-Tests (nach Koener) im Struturbruchmodell, bei dem die Regressoren des Struturbruchmodells auch für die Hilfsregression verwendet werden: studentized Breusch-Pagan test data: fit BP = , df = 5, p-value = Die Evidenz für heterosedatische Störgrößen ist also im Struturbruchmodell erheblich schwächer als im urspünglichen Modell. Öonometrie (SS 2014) Folie 355 Öonometrie (SS 2014) Folie 356

Lineare Modelle in R: Einweg-Varianzanalyse

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

Mehr

Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann

Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................

Mehr

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

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

Mehr

Lösung zu Kapitel 11: Beispiel 1

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

Mehr

Musterlösung zu Serie 14

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

Mehr

I. II. I. II. III. IV. I. II. III. I. II. III. IV. I. II. III. IV. V. I. II. III. IV. V. VI. I. II. I. II. III. I. II. I. II. I. II. I. II. III. I. II. III. IV. V. VI. VII. VIII.

Mehr

Tutorial: Regression Output von R

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

Mehr

Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)

Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) Interdisziplinäres Seminar Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) WS 2008/09 19.11.2008 Julia Schiele und Lucie Wink Dozenten: Prof. Dr. Bühner, Prof. Dr. Küchenhoff

Mehr

Abschlussklausur (60 Minuten), 15. Juli 2014

Abschlussklausur (60 Minuten), 15. Juli 2014 Prof. Dr. Amelie Wuppermann Volkswirtschaftliche Fakultät Universität München Sommersemester 2014 Empirische Ökonomie 1 Abschlussklausur (60 Minuten), 15. Juli 2014 Bearbeitungshinweise Die Bearbeitungszeit

Mehr

Multinomiale logistische Regression

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

Mehr

Kapitel 4: Binäre Regression

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

Mehr

Einführung in die Datenanalyse mit R

Einführung in die Datenanalyse mit R Einführung R ist ein Software-Paket für Statistisches Rechnen und Graphik. Es ist die Open Source Implementierung der Sprache S, die von John Chambers und Kollegen in den Bell Laboratories in den 1970ern

Mehr

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:

Mehr

Interne und externe Modellvalidität

Interne und externe Modellvalidität Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer

Mehr

Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1

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

Mehr

Eine Einführung in R: Statistische Tests

Eine Einführung in R: Statistische Tests Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/

Mehr

Klausur Sommersemester 2010

Klausur Sommersemester 2010 Klausur Sommersemester 2010 Lehrstuhl: Wirtschaftspolitik Prüfungsfach: Empirische Wirtschaftsforschung Prüfer: Prof. Dr. K. Kraft Datum: 04.08.2010 Hilfsmittel: Nicht-programmierbarer Taschenrechner Klausurdauer:

Mehr

Kap. 12: Regression mit Zeitreihendaten und Prognosemodelle

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

Mehr

Name (in Druckbuchstaben): Matrikelnummer: Unterschrift:

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

Mehr

Bachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang.

Bachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang. Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail Studiengang

Mehr

Übungen zur Veranstaltung Statistik 2 mit SPSS

Übungen zur Veranstaltung Statistik 2 mit SPSS Raum 22, Tel. 39 4 Aufgabe 5. Wird der neue Film MatchPoint von Woody Allen von weiblichen und männlichen Zuschauern gleich bewertet? Eine Umfrage unter 00 Kinobesuchern ergab folgende Daten: Altersgruppe

Mehr

Fortgeschrittene Statistik Logistische Regression

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

Mehr

Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression

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

Mehr

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

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

Mehr

Vorlesung Wirtschaftsstatistik 2 (FK 040637) Multiple lineare Regression. Dipl.-Ing. Robin Ristl Wintersemester 2012/13

Vorlesung Wirtschaftsstatistik 2 (FK 040637) Multiple lineare Regression. Dipl.-Ing. Robin Ristl Wintersemester 2012/13 Vorlesung Wirtschaftsstatistik 2 (FK 040637) Multiple lineare Regression Dipl.-Ing. Robin Ristl Wintersemester 2012/13 1 Grundidee: Eine abhängige Variable soll als Linearkombination mehrerer unabhängiger

Mehr

Biostatistische Studienplanung II. Dr. Matthias Kohl SIRS-Lab GmbH

Biostatistische Studienplanung II. Dr. Matthias Kohl SIRS-Lab GmbH Biostatistische Studienplanung II Dr. Matthias Kohl SIRS-Lab GmbH Inhalt Lineare Modelle: Definition und Beispiele KQ- und robuste Schätzer Diagnostik Ausblick: Mixed-Effects Definition des linearen Modells

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

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

Mehr

Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005

Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen

Mehr

Risikomanagement für Fahrzeugrestwerte von Leasingrückläufern. Masterarbeit

Risikomanagement für Fahrzeugrestwerte von Leasingrückläufern. Masterarbeit Risikomanagement für Fahrzeugrestwerte von Leasingrückläufern Masterarbeit zur Erlangung des akademischen Grades Master of Science (M.Sc.) im Studiengang Wirtschaftswissenschaft der Wirtschaftswissenschaftlichen

Mehr

Univariate Lineare Regression. (eine unabhängige Variable)

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

Mehr

Multiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse

Multiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik II Multiple

Mehr

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

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

Mehr

Prof. Dr. Karl-Werner Hansmann

Prof. Dr. Karl-Werner Hansmann Die Gelddruck-Maschine der Notenbanken ist für die Bekämpfung der Arbeitslosigkeit ungeeignet. von Prof. Dr. Karl-Werner Hansmann Universität Hamburg Vortrag beim Academic Network der Roland Berger School

Mehr

PRAKTIKUM Experimentelle Prozeßanalyse 2. VERSUCH AS-PA-2 "Methoden der Modellbildung statischer Systeme" Teil 2 (für ausgewählte Masterstudiengänge)

PRAKTIKUM Experimentelle Prozeßanalyse 2. VERSUCH AS-PA-2 Methoden der Modellbildung statischer Systeme Teil 2 (für ausgewählte Masterstudiengänge) FACHGEBIET Systemanalyse PRAKTIKUM Experimentelle Prozeßanalyse 2 VERSUCH AS-PA-2 "Methoden der Modellbildung statischer Systeme" Teil 2 (für ausgewählte Masterstudiengänge) Verantw. Hochschullehrer: Prof.

Mehr

Kategoriale abhängige Variablen:

Kategoriale abhängige Variablen: Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell Statistik II

Mehr

Entscheidungsbaumverfahren

Entscheidungsbaumverfahren Entscheidungsbaumverfahren Allgemeine Beschreibung Der Entscheidungsbaum ist die Darstellung einer Entscheidungsregel, anhand derer Objekte in Klassen eingeteilt werden. Die Klassifizierung erfolgt durch

Mehr

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

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

Mehr

Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test

Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test 1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test

Mehr

Im Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des.

Im Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des. Einfatorielle Varianzanalyse Varianzanalyse untersucht den Einfluss verschiedener Bedingungen ( = nominalsalierte(r) Variable(r)) auf eine metrische Variable. Die Bedingungen heißen auch atoren und ihre

Mehr

Varianzanalyse ANOVA

Varianzanalyse ANOVA Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für

Mehr

Regressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall )

Regressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall ) Zusammenhänge von Variablen Regressionsanalysen linearer Zusammenhang ( Idealfall ) kein Zusammenhang nichtlinearer monotoner Zusammenhang (i.d.regel berechenbar über Variablentransformationen mittels

Mehr

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Analytische Statistik I Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten

Mehr

Kategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II

Kategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell

Mehr

Webergänzung zu Kapitel 10

Webergänzung zu Kapitel 10 Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder

Mehr

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

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

Mehr

Varianzanalyse * (1) Varianzanalyse (2)

Varianzanalyse * (1) Varianzanalyse (2) Varianzanalyse * (1) Einfaktorielle Varianzanalyse (I) Die Varianzanalyse (ANOVA = ANalysis Of VAriance) wird benutzt, um Unterschiede zwischen Mittelwerten von drei oder mehr Stichproben auf Signifikanz

Mehr

9. Schätzen und Testen bei unbekannter Varianz

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

Mehr

Korrelation - Regression. Berghold, IMI

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

Mehr

Prüfung im Fach Ökonometrie im WS 2011/12 Aufgabenteil. Name, Vorname. Matrikelnr. Studiengang. E-Mail-Adresse. Unterschrift

Prüfung im Fach Ökonometrie im WS 2011/12 Aufgabenteil. Name, Vorname. Matrikelnr. Studiengang. E-Mail-Adresse. Unterschrift Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Aufgabenteil Name, Vorname Matrikelnr. Studiengang E-Mail-Adresse Unterschrift

Mehr

Kurs 9.3: Forschungsmethoden II

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

Mehr

Bachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang.

Bachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang. Lehrstuhl für Statistik und empirische irtschaftsforschung, SS 2009 ach: Prüfer: Bachelorprüfung Praxis der empirischen irtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail

Mehr

Kapitel 3: Interpretationen

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

Mehr

Business Value Launch 2006

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

Mehr

5 Zusammenhangsmaße, Korrelation und Regression

5 Zusammenhangsmaße, Korrelation und Regression 5 Zusammenhangsmaße, Korrelation und Regression 5.1 Zusammenhangsmaße und Korrelation Aufgabe 5.1 In einem Hauptstudiumsseminar des Lehrstuhls für Wirtschafts- und Sozialstatistik machten die Teilnehmer

Mehr

Tabelle 6a: Deskriptive Statistiken der metrischen Variablen

Tabelle 6a: Deskriptive Statistiken der metrischen Variablen Ergebnisse 77 5 Ergebnisse Das folgende Kapitel widmet sich der statistischen Auswertung der Daten zur Ü- berprüfung der Hypothesen. Die hier verwendeten Daten wurden mit den in 4.3 beschriebenen Instrumenten

Mehr

Einleitung 19. Teil I Datenanalyse und Modellbildung Grundlagen 25

Einleitung 19. Teil I Datenanalyse und Modellbildung Grundlagen 25 Inhaltsverzeichnis Einleitung 19 Zu diesem Buch 19 Konventionen in diesem Buch 20 Was Sie nicht lesen müssen 21 Falsche Voraussetzungen 21 Wie dieses Buch aufgebaut ist 21 Teil I: Datenanalyse und Grundlagen

Mehr

Statistische Auswertung der Daten von Blatt 13

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

Mehr

Institut für Soziologie Benjamin Gedon. Methoden 2. Regressionsanalyse IV: Transformation und Interaktion

Institut für Soziologie Benjamin Gedon. Methoden 2. Regressionsanalyse IV: Transformation und Interaktion Institut für Soziologie Methoden 2 Regressionsanalyse IV: Transformation und Interaktion Inhalt 1. Zusammenfassung letzte Sitzung 2. Weitere Annahmen und Diagnostik 3. Transformationen zur besseren Interpretierbarkeit

Mehr

Binäre abhängige Variablen

Binäre abhängige Variablen Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen

Mehr

2. Korrelation, lineare Regression und multiple Regression

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

Mehr

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

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

Mehr

Kommentierter SPSS-Ausdruck zur logistischen Regression

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

Mehr

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions

Mehr

Varianzanalyse (ANOVA: analysis of variance)

Varianzanalyse (ANOVA: analysis of variance) Varianzanalyse (AOVA: analysis of variance) Einfaktorielle VA Auf der Basis von zwei Stichproben wird bezüglich der Gleichheit der Mittelwerte getestet. Variablen müssen Variablen nur nominalskaliert sein.

Mehr

Analysis of Variance (ANOVA) in R

Analysis of Variance (ANOVA) in R Analysis of Variance (ANOVA) in R Jens Schumacher June 21, 2007 Die Varianzanalyse ist ein sehr allgemeines Verfahren zur statistischen Bewertung von Mittelwertunterschieden zwischen mehr als zwei Gruppen.

Mehr

Allgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch

Allgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.

Mehr

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER

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

Mehr

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 29. Mai 2006 Hinweise:

Mehr

ChangePoint-Analysen - ein Überblick

ChangePoint-Analysen - ein Überblick ChangePoint-Analysen - ein Überblick Gliederung Motivation Anwendungsgebiete Chow Test Quandt-Andrews Test Fluktuations-Tests Binary Segmentation Recursive circular and binary segmentation algorithm Bayesscher

Mehr

Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Lösungsskizze

Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Lösungsskizze Lehrstuhl für Statistik und empirische irtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im ach Ökonometrie im S 20/2 Lösungsskizze Aufgabe (.5 Punkte) Sie verfügen über einen Datensatz, der Informationen

Mehr

6.2 Regressionsanalyse

6.2 Regressionsanalyse c-kennzahlensystem (ROCI) 6. Regressionsanalyse Die Regressionsanalyse zählt zu den wichtigsten Analysemethoden des Kommunikationscontrollings und hat ihre tiefen Wurzeln in der Statistik. Im Rahmen des

Mehr

Diskriminanzanalyse Beispiel

Diskriminanzanalyse Beispiel Diskriminanzanalyse Ziel bei der Diskriminanzanalyse ist die Analyse von Gruppenunterschieden, d. h. der Untersuchung von zwei oder mehr Gruppen hinsichtlich einer Vielzahl von Variablen. Diese Methode

Mehr

Panelregression (und Mehrebenenanwendungen)

Panelregression (und Mehrebenenanwendungen) Panelregression (und Mehrebenenanwendungen) Henning Lohmann Universität zu Köln Lehrstuhl für Empirische Sozial- und Wirtschaftsforschung SOEP@Campus 2007, Universität Duisburg-Essen, 11. Oktober 2007

Mehr

Klausur Statistik Lösungshinweise

Klausur Statistik Lösungshinweise Klausur Statistik Lösungshinweise Prüfungsdatum: 1. Juli 2015 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Aufgabe 1 14 Punkte Ein Freund von Ihnen hat über einen Teil seiner Daten, die er

Mehr

Eine computergestützte Einführung mit

Eine computergestützte Einführung mit Thomas Cleff Deskriptive Statistik und Explorative Datenanalyse Eine computergestützte Einführung mit Excel, SPSS und STATA 3., überarbeitete und erweiterte Auflage ^ Springer Inhaltsverzeichnis 1 Statistik

Mehr

Die reellen Lösungen der kubischen Gleichung

Die reellen Lösungen der kubischen Gleichung Die reellen Lösungen der kubischen Gleichung Klaus-R. Löffler Inhaltsverzeichnis 1 Einfach zu behandelnde Sonderfälle 1 2 Die ganzrationale Funktion dritten Grades 2 2.1 Reduktion...........................................

Mehr

Log-lineare Analyse I

Log-lineare Analyse I 1 Log-lineare Analyse I Einleitung Die log-lineare Analysemethode wurde von L.A. Goodman in den 60er und 70er Jahren entwickelt. Sie dient zur Analyse von Zusammenhängen in mehrdimensionalen Kontingenztafeln

Mehr

Gefährdet die ungleiche Verteilung unseres Vermögens den gesellschaftlichen Zusammenhalt?

Gefährdet die ungleiche Verteilung unseres Vermögens den gesellschaftlichen Zusammenhalt? Gefährdet die ungleiche Verteilung unseres Vermögens den gesellschaftlichen Zusammenhalt? Prof. Dr. K.-W. Hansmann Rotary-Vortrag am 22. September 2014 (Die farbigen Graphiken habe ich mit der Progrmmiersprache

Mehr

Analyse von Querschnittsdaten. Regression mit Dummy-Variablen

Analyse von Querschnittsdaten. Regression mit Dummy-Variablen Analyse von Querschnittsdaten Regression mit Dummy-Variablen Warum geht es in den folgenden Sitzungen? Datum Vorlesung 9.0.05 Einführung 26.0.05 Beispiele 02..05 Forschungsdesigns & Datenstrukturen 09..05

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Übungsserie Nr. 10 mit Lösungen

Übungsserie Nr. 10 mit Lösungen Übungsserie Nr. 10 mit Lösungen 1 Ein Untersuchungsdesign sieht einen multivariaten Vergleich einer Stichprobe von Frauen mit einer Stichprobe von Männern hinsichtlich der Merkmale X1, X2 und X3 vor (Codierung:

Mehr

Algorithms for Regression and Classification

Algorithms for Regression and Classification Fakultät für Informatik Effiziente Algorithmen und Komplexitätstheorie Algorithms for Regression and Classification Robust Regression and Genetic Association Studies Robin Nunkesser Fakultät für Informatik

Mehr

Einfache Hypothesentests für multiple Regressionen

Einfache Hypothesentests für multiple Regressionen Kapitel 6 Einfache Hypothesentests für multiple Regressionen Economists have inherited from the physical sciences the myth that scientific inference is objective, and free of personal prejudice. This is

Mehr

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

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

Mehr

Nachholklausur STATISTIK II

Nachholklausur STATISTIK II Nachholklausur STATISTIK II Name, Vorname: Matrikel-Nr.: Die Klausur enthält zwei Typen von Aufgaben: T e i l A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine

Mehr

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

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

Mehr

VI Einkommensfunktion Teil 1

VI Einkommensfunktion Teil 1 Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur

Mehr

Motivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen

Motivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen Universität Karlsruhe (TH) Forschungsuniversität gegründet 825 Wilcoxon-Rangsummentest oder Mann-Whitney U-Test Motivation In Experimenten ist die Datenmenge oft klein Daten sind nicht normalverteilt Dann

Mehr

Mehr-Ebenen-Analyse I. Regressionsmodelle für Politikwissenschaftler

Mehr-Ebenen-Analyse I. Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I Regressionsmodelle für Politikwissenschaftler Was sind strukturierte Daten? Was ist Struktur? Probleme Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe)

Mehr

(Repeated-measures ANOVA) path = "Verzeichnis wo Sie anova1 gespeichert haben" attach(paste(path, "anova1", sep="/"))

(Repeated-measures ANOVA) path = Verzeichnis wo Sie anova1 gespeichert haben attach(paste(path, anova1, sep=/)) Varianzanalyse mit Messwiederholungen (Repeated-measures ANOVA) Jonathan Harrington Befehle: anova2.txt path = "Verzeichnis wo Sie anova1 gespeichert haben" attach(paste(path, "anova1", sep="/")) Messwiederholungen:

Mehr

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

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

Mehr

Kontingenzkoeffizient (nach Pearson)

Kontingenzkoeffizient (nach Pearson) Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen

Mehr

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

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

Mehr

Parametrische Statistik

Parametrische Statistik Statistik und ihre Anwendungen Parametrische Statistik Verteilungen, maximum likelihood und GLM in R Bearbeitet von Carsten F. Dormann 1. Auflage 2013. Taschenbuch. xxii, 350 S. Paperback ISBN 978 3 642

Mehr

Mietertragspotenziale Hedonische Mietpreismodellierung für Büroimmobilien

Mietertragspotenziale Hedonische Mietpreismodellierung für Büroimmobilien Zukunft urbane Kulturlandschaften Mietertragspotenziale Hedonische Mietpreismodellierung für Büroimmobilien Ronny Haase Institut für Raum- und Landschaftsentwicklung (IRL) Hedonische Modelle sind spezielle

Mehr

Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen

Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel

Mehr

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

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

Mehr

1 Statistische Grundlagen

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

Mehr

Preferred citation style for this presentation

Preferred citation style for this presentation Preferred citation style for this presentation Simma, A. (2002) Ziel- und Verkehrsmittelwahl für Wege zum Skifahren in der Schweiz, 3. AMUS-Konferenz, Aachen, Juli 2002. 1 Ziel - und Verkehrsmittelwahl

Mehr

6. METRISCHE UND KATEGORIALE MERKMALE

6. METRISCHE UND KATEGORIALE MERKMALE 6. METRISCHE UND KATEGORIALE MERKMALE wenn an einer Beobachtungseinheit eine (oder mehrere) metrische und eine (oder mehrere) kategoriale Variable(n) erhoben wurden Beispiel: Haushaltsarbeit von Teenagern

Mehr