Prognose des österreichischen Bruttoverbrauchs von Rohöl in Tausend Tonnen Rohöleinheiten (TOE) Michael Pichler,
|
|
- Matthias Pfeiffer
- vor 5 Jahren
- Abrufe
Transkript
1 Prognose des österreichischen Bruttoverbrauchs von Rohöl in Tausend Tonnen Rohöleinheiten (TOE) Michael Pichler, Aufgabenstellung Das Thema dieser Arbeit ist die Prognose des österreichischen Bruttoverbrauchs von Rohöl in Tausend Tonnen Rohöleinheiten (Quelle: EUROSTAT). Dazu wird einerseits innerhalb der Klasse der modellfreien Prognoseverfahren und andererseits innerhalb der Klasse der univariaten, modellbasierten Prognoseverfahren nach der optimalen statischen bzw. dynamischen Methode gesucht. Entscheidungskriterium hierbei ist primär die Minimierung dreier Indikatoren für die Prognosegüte, nämlich der Wurzel des mittleren quadrierten Fehlers (RMSE), des mittleren absoluten Fehlers (MAE) sowie des mittleren absoluten prozentualen Fehlers (MAPE) der an die aktuellen Werte des Prognosezeitraums angepassten prognostizierten Werte. 2. Explorative Analyse der Zeitreihe Betrachtet man die Abbildung 1, die den österreichischen Bruttorohölverbrauch in TOE für den Zeitraum 01/1990 bis 12/2003 darstellt, so sind zwei Charakteristika offensichtlich: - Erstens zeigt sich ein deutlicher Strukturbruch innerhalb der Zeitreihe, der eine Inhomogenität der Daten bezüglich der sie beschreibenden Parameter vor und nach etwa dem Jahr 1995 nahe legt. Diesbezüglich ist der erste Teil der Zeitreihenwerte zu Prognosezwecken für den zweiten Teil in diesem Fall ohne die Notwendigkeit einer weiteren statistischen Überprüfung ungeeignet. Dieser Arbeit liegen daher in weiterer Folge nur Werte des zweiten Teils der Zeitreihe, also 01/1995 bis 12/2003, zu Grunde. - Das zweite sofort ins Auge fallende Charakteristikum der Zeitreihe betrifft die Struktur ihrer Entwicklung vor allem innerhalb des zweiten Datenteils. Der Bruttorohölverbrauch trended deutlich nach oben (Trendregressionskoeffizient der logarithmierten Werte: 0,0018) und weist saisonale Spitzen auf. Dieser saisonale Trend wird noch deutlicher, wenn man die Abbildung 2 mit dem kürzeren Sample betrachtet. Wie erwartet befinden sich die Nachfragespitzen jeweils in den Wintermonaten und Nachfragetiefs in den Sommermonaten. Für die hier anzuwendenden Prognoseverfahren hat diese Zeitreihenstruktur folgende Implikationen: - In der Klasse der modellfreien, ad-hoc, Methoden scheiden sowohl Single-Exponential- Smoothing, als auch Double-Exponential-Smoothing, aus, da sie der (saisonalen) Trendentwicklung nicht modellgerecht werden können. Selbiges gilt für die Holt- Winters no seasonal Methode. - Der auch visuell offensichtliche positive allgemeine Nachfragetrend sowie die saisonale Struktur deuten auf das Vorhandensein eines Unit-Roots sowie saisonaler Autoregressivität der Zeitreihe hin. Beide Vermutungen werden durch den Unit-Root- Test sowie durch die ACF- und PACF-Werte im Correlogramm (siehe untenstehende Abbildungen) bestätigt. Bezüglich der Prognosegüte kann daher vermutet werden, dass eine SARIMA-Spezifikation die relativ optimalen Ergebnisse liefern wird.
2 Abbildung ENERGYCONS Abbildung ENERGYCONS
3 Abbildung 3 Autocorrelation Partial Correlation AC PAC Q-Stat Prob. *****. ***** ***.* *.* *. *** ***..* *** ***.. * *.. ** *. * ***. * ****. * **** *** ** **. * * * ** ** **..* * *. * **.* **. * *** ** * *.. * **..* **..* ** * * * ** *.* *.* *.. * *.. * * * * * *.* *
4 Abbildung 4 Null Hypothesis: ENERGYCONS has a unit root Exogenous: Constant, Linear Trend Lag Length: 6 (Automatic based on SIC, MAXLAG=12) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(ENERGYCONS) Method: Least Squares Date: 06/27/05 Time: 14:52 Sample: 1995M M12 Included observations: 108 Variable Coefficient Std. Error t-statistic Prob. ENERGYCONS(-1) D(ENERGYCONS(-1)) D(ENERGYCONS(-2)) D(ENERGYCONS(-3)) D(ENERGYCONS(-4)) D(ENERGYCONS(-5)) D(ENERGYCONS(-6)) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
5 3. Modellfreie Prozeduren Bezüglich der Holt-Winters Filtermethoden zeigt sich, dass die additiven und multiplikativen Versionen sehr ähnliche Ergebnisse liefern. Dies ist bereits bei graphischer Darstellung (siehe Abbildung 5) der Zeitreihe ersichtlich und äußert sich auch in einer nur minimal unterschiedlichen Prognosegüte, wobei die multiplikative Methode mit einer mittleren quadrierten Fehlersumme von der Additiven (RMSE ) leicht unterlegen ist (siehe Abbildung 5und Abbildung 6). Bezüglich des mittleren absoluten Fehlers (MAE) und des mittleren absoluten prozentuellen Fehlers (MAPE) muss sich die multiplikative Methode ebenfalls der additiven knapp geschlagen geben (0, vs. 0,040397, bzw. 0, vs. 0,522293). Bei beiden Methoden optimiert EViews den Alpha-Wert mit 0,03 und setzt Beta und Gamma jeweils Null. Abbildung 5 LENERGY_HWA LENERGY_HWM LENERGYCONS Abbildung 6 Sample: 1995M M12 Included observations: 72 Method: Holt-Winters Additive Seasonal Original Series: LENERGYCONS Forecast Series: LENERGY_HWA Parameters: Alpha Beta Gamma Sum of Squared Residuals Root Mean Squared Error Sample: 1995M M12 Included observations: 72 Method: Holt-Winters Multiplicative Seasonal Original Series: LENERGYCONS Forecast Series: LENERGY_HWM Parameters: Alpha Beta Gamma Sum of Squared Residuals Root Mean Squared Error
6 Abschließend wurde noch die Small-Trends-Methode nach Brockwell & Davis angewendet (siehe Abbildung 7). Die notwendigen Transformationen der Daten sowie die anschließende Kalkulation der Fehlerkriterien wurden dabei in Excel durchgeführt. Hierbei zeigte sich, dass dieses Verfahren mit einem RMSE von 0, in der modellfreien Klasse bezüglich dieses Kriteriums die schlechteste Anpassung liefert. Der MAE-Wert ( ) und der MAPE- Wert ( ) liegen ebenfalls höher als die der beiden Holt-Winters Methoden. Abbildung 7 LENERGYCONS LBROCKDAVIS Die im Vergleich zu den Holt-Winters Methoden suboptimale Anpassungsgüte der Brockwell & Davis Small-Trends Methode ist auch aus einer abschließenden graphischen Gegenüberstellung der modellfreien Prozeduren ersichtlich. In Abbildung 8 zeigt sich deutlich, dass die B&D S-T Prognose über beinah den gesamten Prognosezeitraum einen größeren Fehler begeht als die Vergleichsmethoden.
7 Abbildung 8 LENERGY_HWA LENERGY_HWM LBROCKDAVIS LENERGYCONS 4. Modellgestützte univariate Prozeduren Bei der Suche nach der optimalen Prognosemethode wurde hier ein iteratives Verfahren angewendet. Zuerst wurde innerhalb der ARMA (p,q)-spezifikationen die p- und q- Werte variiert, um so die Entscheidungskriterien (RMSE, MAE, MAPE) zu minimieren. Danach wurde die selbe Methode auf die ARIMA (p,d,q)- und auf die SARIMA[s] (P,D,Q)x(p,d,q)- Spezifikationen angewendet. Das Verfahren wurde jeweils hinsichtlich der Erhöhung eines der Parameter (p,d,q) abgebrochen, wenn eine Neuerung schlechtere Ergebnisse als die vorangegangene Spezifikation lieferte. Für die statische, one-step-prognose wurden folgende Resultate erzielt: Die optimale ARMA (p,q)-spezifikation war hier ARMA (1,1) mit einem RMSE von , einem MAE von und einem MAPE von (siehe Abbildung 9).
8 Abbildung Forecast: FOR_ARMA11 Forecast sample: 2001M M12 Included observations: 36 Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion FOR_ARMA11 Die ARMA-Klasse wurde hinsichtlich der Prognosegüte von der ARIMA (p,d,q)-klasse geschlagen, wobei hier die Kriterien bei ARIMA (1,1,1) minimiert wurden (siehe Abbildung 10) Abbildung Forecast: LENERGYCONF Forecast sample: 2001M M12 Included observations: 36 Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion LENERGYCONF Die beste Prognosegüte für die one-step-prognose lieferte, wie bereits bei der explorativen Datenanalyse vermutet wurde, die SARIMA[s] (P,D,Q)x(p,d,q)-Klasse. Nachdem hier monatliche Beobachtungen vorliegen, wurde zuerst als Saisondifferentiator 12 angenommen. Unter dieser Annahme war die optimale Spezifikation SARIMA [12] (0,1,0)x(0,1,1) (siehe Abbildung 11).
9 Abbildung Forecast: SARIMA12011 Forecast sample: 2001M M12 Included observations: 36 Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion SARIMA12011 Diese Werte wurden allerdings unterboten, wenn als Saisondifferntiator 6 angenommen wurde (bereits in den Korrelogrammen zeigte sich eine starke halbjährliche Autoregressivität). Als optimale Spezifikation stellte sich SARIMA [6] (0,2,0)x(0,1,1) heraus mit untenstehenden Kriterienwerten. Abbildung Forecast: FOR_SARIMA2X6011 Forecast sample: 2001M M12 Included observations: 36 Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion FOR_SARIMA2X6011 Abbildung 13 zeigt abschließend noch eine graphische Gegenüberstellung der vorgestellten optimalen Spezifikationen.
10 Abbildung 13 FOR_ARMA11 FOR_SARIMA2X6011 FOR_ARIMA111 LENERGYCONS Für den Bereich der dynamischen, modellbasierten, Prognosen wurde dasselbe iterative Verfahren zur Auffindung der optimalen Spezifikation gewählt. Dabei zeigte sich, dass sich bezüglich der Prognosegüte dieselbe Rangfolge wie bei den statischen Verfahren ergeben hat, wobei jeweils die Kriterienwerte der dynamischen Verfahren (teilweise deutlich) über den der statischen liegen. Auf eine neuerliche vollständige Wiedergabe der Ergebnisse des Iterationsprozesses soll hier verzichtet werden und nur die Resultate der besten Spezifikation, nämlich wiederum SARIMA [6] (0,2,0)x(0,1,1), untenstehend (siehe Abbildung 14) wiedergegeben werden. Im Vergleich zum statischen Ergebnis zeigt sich hier, dass sich die RMSE-, MAE-, und MAPE-Werte nur relativ knapp unterscheiden ( vs ; vs ; vs ). Abbildung Forecast: SARIMA2X6011_DYN Forecast sample: 2001M M12 Included observations: 36 Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion SARIMA2X6011_DYN Auf Grund des relativ langen Prognosezeitraums von 36 Perioden wäre allerdings auch nicht unbedingt zu erwarten, dass eine one-step-prognose einer dynamischen Prognose hinsichtlich
11 der Anpassungsgüte unterliegt. Die Frage ist nun, ob für kürzere Prognosezeiträume eine dynamische Spezifikation eventuell überlegen sein könnte. Bei Überprüfung dieser Hypothese wurde festgestellt, dass die Ergebnisse im Sinne der Überlegenheit der statischen Methode über die dynamische durchaus über eine größere Bandbreite von Prognosezeiträumen (6, 8, 12, 16, 18, 24 Monate) robust waren. Einzig für den Prognosezeitraum von 14 Monaten lieferte die dynamische Prognose eine leicht bessere Anpassungsgüte (siehe zum Vergleich in Abbildung 15 den statischen Output und in Abbildung 16 den dynamischen Output). Abbildung 15 Forecast: STAT14 Forecast sample: 2001M M02 Included observations: 14 Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion M M M M M01 STAT14 Abbildung Forecast: DYN14 Forecast sample: 2001M M02 Included observations: 14 Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion M M M M M01 DYN14 5. Conclusio Bei einer abschließenden Gegenüberstellung der Ergebnisse dieser Arbeit zeigt sich deutlich, dass in Bezug auf die Prognose des österreichischen Bruttorohölverbrauchs die modellfreien Holt-Winters Methoden die modellbasierten, univariaten Methoden durchwegs hinsichtlich der Minimierung der drei Kriterien dominieren (siehe Abbildung 17). Bezüglich aller Entscheidungskriterien belegte die Holt- Winters additive Methode den Spitzenplatz. Ein graphischer Vergleich der Klassensieger in Abbildung 18 belegt diese besondere relative Anpassungsgüte der Holt-Winters additiven Methode zusätzlich. Auffallend ist insbesondere, dass es diesem Verfahren am besten gelingt, die Nachfragespitzen adäquat vorherzusagen, wozu insbesondere die dynamische SARIMA [6] (0,2,0)x(0,1,1) Methode im Prognoseverlauf auf Grund des sukzessiven Auslaufens (=Konvergenz zu Null) der MA-Koeffizienten immer schlechter fähig ist.
12 Abbildung 17 Methode RMSE MAE MAPE HWA , , B&D S-T 0, , , SARIMA[6] (0,2,0)x(0,1,1) stat 0, , , SARIMA[6] (0,2,0)x(0,1,1) dyn 0, , , Abbildung 18 LENERGY_HWA FOR_SARIMA2X6011 SARIMA2X6011_DYN LENERGYCONS
Klausur 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
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
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
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
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
MehrSE aus Ökonometrische Prognose bei Prof. Dr. Kunst. Prognose der langfristigen Arbeitslosenraten und der kurzfristigen Arbeitslosenzahlen
SE aus Ökonometrische Prognose bei Prof. Dr. Kunst Prognose der langfristigen Arbeitslosenraten und der kurzfristigen Arbeitslosenzahlen Aumayr, Binder Juni 2005 Übersicht Analyse der jährlichen Arbeitslosenraten
MehrTeekonsum in den USA (in 1000 Tonnen), Nimmt den Wert 1 an für alle Perioden, Durchschnittlicher Preis des Tees in Periode t (in Tausend $/Tonne).
Aufgabe 1 (5 Punkte) Gegeben sei ein lineares Regressionsmodell in der Form. Dabei ist y t = x t1 β 1 + x t β + e t, t = 1,..., 10 (1) y t : x t1 : x t : Teekonsum in den USA (in 1000 Tonnen), Nimmt den
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:
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
MehrProbeklausur EW II. Für jede der folgenden Antworten können je 2 Punkte erzielt werden!
Probeklausur EW II Bitte schreiben Sie Ihre Antworten in die Antwortfelder bzw. markieren Sie die zutreffenden Antworten deutlich in den dafür vorgesehenen Kästchen. Wenn Sie bei einer Aufgabe eine nicht-zutreffende
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
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
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
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
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
Mehr4. Nichtstationarität und Kointegration
4. Nichtstationarität und Kointegration 4.1 Einheitswurzeltests (Unit-Root-Tests) Spurious regression In einer Simulationsstudie haben Granger und Newbold (1974) aus zwei unabhängigen Random Walks (Unit-Root-Prozesse)
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
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
Mehr1. Übung: Einführung in EVIEWS
Goethe-Universität Frankfurt Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Finanzökonometrie Sommersemester 2007 1. Übung: Einführung in EVIEWS Kreieren Sie eine Arbeitsumgebung (workfile)
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
MehrKlausur zur Veranstaltung Empirische Wirtschaftspolitik
Seite 1 von 10 Prof. Frank Westermann, Ph.D. Fachgebiet Internationale Wirtschaftspolitik Rolandstraße 8, 49069 Osnabrück Klausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2014/2015
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 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
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
MehrKlausur zur Veranstaltung Empirische Wirtschaftspolitik
Seite 1 von 9 Prof. Frank Westermann, Ph.D. Fachgebiet Internationale Wirtschaftspolitik Rolandstraße 8, 49069 Osnabrück Klausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2013/2014
MehrAnalyse von Zeitreihen mit EViews
Prof. Dr. Peter von der Lippe, Uni DUE Campus Duisburg Download G Analyse von Zeitreihen mit EViews Diese Übung zeigt anhand einer (nur einer!!) Zeitreihe, wie man wichtige Methoden der Zeitreihenanalyse
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung IX. Dynamische Modelle
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
MehrAnalyse Multikollinearität am Beispiel einer Importfunktion für die Schweiz
2. Multikollinearität Ökonometrie II - Peter Stalder Analyse Multikollinearität am Beispiel einer Importfunktion für die Schweiz Die Güterimporte der Schweiz sollen mit der privaten Konsumnachfrage, den
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:
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
MehrNotiz zur Schätzung des strukturellen Defizits mit Hilfe der langfristigen Aufkommenselastizität. von: Carsten Colombier
Notiz des Ökonomenteams EFV, Nr. 01, Juli 2003 Notiz zur Schätzung des strukturellen Defizits mit Hilfe der langfristigen Aufkommenselastizität von: Carsten Colombier Intention Diese Notiz ist als Ergänzung
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
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 +
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
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
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
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.-Kfm. Philipp Buss B.A. Alexander Rieber Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
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.
Mehr3.6 Prognosen mit ARMA-Modellen
3.6 Prognosen mi ARMA-Modellen Opimale Prognosen mi ARMA-Modellen im Sinne eines minimalen Mean Squared Error (MSE sind durc die bedingen Erwarungswere von +, =,,..., uner Verwendung der zur Zei vorandenen
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
MehrIV. Prognosen - Teil 2
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Jan Sommer Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
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
MehrKlausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung. Prof. Bernd Fitzenberger, Ph.D. WS 2010/11. Mittwoch, 16.
Klausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. WS 2010/11 Mittwoch, 16. Februar 2011 Die folgenden drei Aufgaben sind alle zu bearbeiten. Die insgesamt
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
MehrIV. Prognosen - Teil 2
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
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
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
MehrTaylor-Formel 1. Der Hauptteil wurde in Geld_period eingefügt. Die statistischen Unterlagen finden sich in Eviews: Konjunktur/SNA_Q
Taylor-Formel 1 Taylor-Formel Taylor-Formel 1 Kalibrierte und empirische Fassung 1 Schätzung für Österreich 1967-1992 2 Literatur 6 Anhang 6 Kalibrierte Fassung 6 Gleichung 2 8 Gleichung 3 9 Der Hauptteil
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
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
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
Mehr6. Tutoriumsserie Statistik II
6. Tutoriumsserie Statistik II 1. Aufgabe: Eine Unternehmensabteilung ist ausschließlich mit der Herstellung eines einzigen Produktes beschäftigt. Für 10 Perioden wurden folgende Produktmenge y und Gesamtkosten
MehrFragen zum zweiten Teil der Vorlesung
Albert-Ludwigs-Universität Freiburg Ökonometrie (Bachelor) Lehrstuhl Prof. Fitzenberger, Ph.D. WS 2011/12 Fragen zum zweiten Teil der Vorlesung 1. Es soll geprüt werden, ob das obere Quartil (das 75%-Quantil)
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
MehrProf. Regina T. Riphahn, Ph.D. WS 04/05 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 24. Februar 2005,
Prof. Regina T. Riphahn, Ph.D. WS 4/5 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 24. Februar 25, 9.-1.3 Uhr Erlaubte Hilfsmittel: Tabelle der statistischen Verteilungen, 4 DIN
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
MehrEmpirische Wirtschaftsforschung und Ökonometrie
Peter Winker Empirische Wirtschaftsforschung und Ökonometrie 2., vollständig überarbeitete Auflage Mit 99 Abbildungen und 13 Tabellen Springer Inhaltsverzeichnis Vorwort V Teill Einleitung 1 Aufgabe und
MehrDie Versteigerung der Zollkontingente beim Fleischimport: Wirkung auf den Wettbewerb
Die Versteigerung der Zollkontingente beim Fleischimport: Wirkung auf den Wettbewerb Dr. R. Joerin Departement für Agrar- und Lebensmittelwissenschaften ETH-Zürich Zürich, 31. Mai 2009 Dr. Robert Joerin
MehrIntroduction to Modern Time Series Analysis
Springer Texts in Business and Economics Introduction to Modern Time Series Analysis Bearbeitet von Gebhard Kirchgässner, Jürgen Wolters, Uwe Hassler 1. Auflage 2012. Buch. XII, 319 S. Hardcover ISBN 978
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung VI/ VII
Dipl. Vw. Matthias Kirbach Sommersemester 2006 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT CURANDO DOCENDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrSyntax. Ausgabe *Ü12. *1. corr it25 with alter li_re kontakt.
Syntax *Ü2. *. corr it25 with alter li_re kontakt. *2. regression var=it25 alter li_re kontakt/statistics /dependent=it25 /enter. regression var=it25 li_re kontakt/statistics /dependent=it25 /enter. *3.
MehrSchweizer Statistiktage, Aarau, 18. Nov. 2004
Schweizer Statistiktage, Aarau, 18. Nov. 2004 Qualitative Überprüfung der Modellannahmen in der linearen Regressionsrechnung am Beispiel der Untersuchung der Alterssterblichkeit bei Hitzeperioden in der
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
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
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
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
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
MehrBasiswerkzeuge. Kapitel 6. Lernziele. Zeitreihen-Plot. Beschreiben von Zeitreihen. Graphische Darstellungen. Univariate und bivariate Maßzahlen
Kapitel 6 Basiswerkzeuge Josef Leydold c 2006 Mathematische Methoden VI Basiswerkzeuge 1 / 29 Lernziele Beschreiben von Zeitreihen Graphische Darstellungen Univariate und bivariate Maßzahlen Transformationen
MehrDynamische Systeme und Zeitreihenanalyse // Saisonbereinigung und Glättung 10 p.2/??
Dynamische Systeme und Zeitreihenanalyse Saisonbereinigung und Glättung Kapitel 10 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Saisonbereinigung und Glättung
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
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
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
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
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
MehrBEITRAG 7 VON. KORBINIAN VON BLANCKENBURG (Stand: )
BEITRAG 7 TESTANLEITUNG ZUR ÜBERPRÜFUNG DER FUNKTIONSQUALITÄT DES RENDITENORMALISIERUNGSPROZESSES DURCH ÖKONOMETRISCHE PROZESSMUSTERANALYSEN VON KORBINIAN VON BLANCKENBURG (Stand: 05.05.2009) 1. Anfertigung
MehrÖkonometrische Prognose
Ökonometrische Prognose Thema: Prognose von Preisentwicklungen im Bausektor Dozent: Universität: Fakultät: Kurs: Prof. Dr. Robert Kunst Universität Wien Fakultät für Wirtschaftswissenschaften und Informatik
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
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
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
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
MehrÜbung II/III - Prognosen
Dipl. Vw. Matthias Kirbach Sommersemester 2006 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrLudwig-Erhard-Stiftungsprofessur. Übung IV Prognosen
Universität Ulm 89069 Ulm Germany Christian Rupp Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung IV Prognosen
MehrSupply Chain Management
Supply Chain Management Forecasting Methods Prof. Dr.-Ing. Burkhard Schmager Department of Industrial Engineering EAH Jena Sept 2016 SS 2016 Kapitel 2-1 Material Planning Approaches MRP - methods deterministical
MehrStatistik II für Betriebswirte Vorlesung 11
Statistik II für Betriebswirte Vorlesung 11 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 07. Januar 2019 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 11 Version:
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?
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
Mehr