DSGE-Modelle. Linearisierung und Lösung. Institut für Ökonometrie und Wirtschaftsstatistik Münster
|
|
- Herbert Brauer
- vor 5 Jahren
- Abrufe
Transkript
1 DSGE-Modelle Linearisierung und Lösung Dr. Andrea Beccarini Willi Mutschler, M.Sc. Institut für Ökonometrie und Wirtschaftsstatistik Münster Sommersemester 2012 Willi Mutschler (Institut für Ökonometrie) DSGE-Modelle Sommersemester / 15
2 Linearisierung und Lösung 1 Was bisher geschah... 2 Allgemeine Form und Lösung eines DSGE-Modells 3 Wiederholung: Aufgabe 1 4 Lineare Lösungsverfahren Der Sims (2001)-Algorithmus Aufgabe 1: Fortsetzung Willi Mutschler (Institut für Ökonometrie) DSGE-Modelle Sommersemester / 15
3 Was bisher geschah... Theorie und Intuition des Smets/Wouters-Modells als Prototyp aktueller DSGE-Modelle. Herleitung der strukturellen Form und Log-Linearisierung. Erkenntnis Ein DSGE-Modell besteht aus einer Menge von erwarteten, nichtlinearen Optimalitätsbedingungen und Bewegungsgleichungen für stochastische Prozesse, die es zu lösen gilt. Ein DSGE-Modell lässt sich somit allgemein formulieren als: Allgemeine Form Γ (E t x t+1, x t, υ t+1 µ) = Γ (x t+1, x t, υ t+1, η t+1 µ) = 0, (1) wobei x t : (n 1)-Vektor stationärer Variablen, υ t : (m 1)-Vektor struktureller Schocks, µ: (k 1)-Vektor von Parametern. Willi Mutschler (Institut für Ökonometrie) DSGE-Modelle Sommersemester / 15
4 Allgemeine Form Rationale Erwartungen: η t+1 = E t x t+1 x t+1. Nicht-prognostizierbarer Erwartungsfehler η t+1 tritt aufgrund der Realisation der strukturellen Schocks auf: η t = f (υ t ). x t lässt sich zusätzlich in n c Kontrollvariablen und n s Zustandsvariablen unterteilen. Kontrollvariablen werden mit c t bezeichnet: optimale Verhalten der Akteure als Funktion des aktuellen Zustands der Ökonomie. Zustandsvariablen werden mit s t bezeichnet und unterteilen sich in exogene - sich von den Entscheidungen der Akteure unabhängig entwickelnde - und endogene Zustandsvariablen, die von den Entscheidungen beeinflusst werden können. s t ist eine Funktion vergangener Zustände und aktueller Schocks. Willi Mutschler (Institut für Ökonometrie) DSGE-Modelle Sommersemester / 15
5 Lösung eines DSGE-Modells Ein solches Modell rationaler Erwartungen zu lösen bedeutet, sogenannte policy-functions c und s zu finden, die das obige System Γ (approximativ) lösen: Policy-functions c t = c(s t ), s t = s(s t 1, υ t ). DSGE-Modelle lassen sich somit als state-space-modelle interpretieren. Es gibt lineare und nichtlineare Lösungsverfahren: Lineare Verfahren: Blanchard/Khan (1980), Binder und Pesaran (1997), Christiano (2002), King und Watson (1998), Klein (2000), Sims (2001) und Uhlig (1999). Häufig verwendetes nichtlineare Verfahren: Schmitt-Grohé/Uribe (2004). Guter Überblick: Heer und Maussner (2009). Willi Mutschler (Institut für Ökonometrie) DSGE-Modelle Sommersemester / 15
6 Wiederholung: Aufgabe 1 Betrachten Sie das einfache stochastische Wachstumsmodell: max E 0 β t U(c t ) mit U(c t ) = c1 σ t 1 c t,k t+1 1 σ, t=0 c t + k t+1 = z t f (k t ) + (1 δ)k t mit f (k t ) = kt α, k o gegeben, log(z t ) = ρlog(z t 1 ) + ε t mit ε t WN(0, σ ε ), 0 < ρ < 1. (a) Wie lautet der unbedingte Erwartungswert von log(z t ), wie der von z t? Wie lautet die unbedingte Varianz von log(z t )? (b) Finden Sie die Bedingungen erster Ordnung (FOC), indem Sie die Bellman-Gleichung aufstellen und die Methoden der dynamischen Programierung verwenden. Was sind Zustands-, was sind Kontrollvariablen? (c) Finden Sie die Bedingungen erster Ordnung (FOC), indem Sie die Lagrangefunktion maximieren. (d) Berechnen Sie den steady-state und linearisieren Sie die FOC. Willi Mutschler (Institut für Ökonometrie) DSGE-Modelle Sommersemester / 15
7 Lineare Lösungsverfahren Vorteile: Einfache lineare state-space Repräsentation des Modells, die für viele Fragestellungen ausreichend exakt ist. Kalman-Filter ermöglicht es, das System empirisch zu analysieren. Nachteile: Wichtige Informationen gehen bei der Linearisierung verloren. Höhere Momente spielen bei Markt- und Risikostrukturen, sowie Wohlfahrtsimplikationen eine wichtige Rolle. Schon eine Linearisierung zweiter Ordnung kann hier zu unterschiedlichen Resultaten führen, da die Varianz der zukünftigen Schocks im Erwartungswert nicht Null ist. Certainty-equivalence-property In stochastischen Modellen rationaler Erwartungen berücksichtigen die Akteure bei ihren Entscheidungen die Auswirkungen zukünftiger Schocks. Bei einer Linearisierung erster Ordnung sind diese im Erwartungswert gleich Null, so dass sie keine Rolle bei der Entscheidung spielen. Willi Mutschler (Institut für Ökonometrie) DSGE-Modelle Sommersemester / 15
8 Lineare Lösungsverfahren Zunächst wird die allgemeine Form (1) um den steady-state linearisiert bzw. log-linearisiert. Zusammen mit den Bewegungsgleichungen für die stochastischen Prozesse, ergibt sich das reduzierte Modell: Ax t+1 = Bx t + Cυ t+1 + Dη t+1 + E. Die Matrizen A, B, C und D sind dabei Funktionen des strukturellen Parametervektors µ; E ist ein Vektor von Konstanten (oft Null). Die Lösung dieser linearen Repräsentation besitzt eine VAR(1)-Form: x t+1 = F(µ)x t + G(µ)υ t+1, (2) wobei F und G Funktionen des Parametervektors µ bezeichnen. Die treibende Kraft des Modells sind hierbei die exogenen Schocks υ t. (2) beschreibt somit die Fluktuationen um den steady-state, sowie das Modellverhalten als Antwort auf die stochastischen Innovationen. Willi Mutschler (Institut für Ökonometrie) DSGE-Modelle Sommersemester / 15
9 Der Sims (2001)-Algorithmus Konzepte Notation Im Voraus bestimmte Variablen: E t X 1,t+1 = X 1,t+1, Im Voraus nicht bestimmte Variablen: E t X 2,t+1 = E t X 2,t+1. Unitäre Matrizen M M = MM = I sind das komplexe Analogon zu orthogonalen Matrizen. Sie sind zudem diagonalisierbar. Die Methode von Sims (2001) beginnt mit einer QZ-Faktorisierung (Verallgemeinerte Schur Dekomposition), bei der die Matrizen A und B in unitäre obere Dreiecksmatrizen transformiert werden: A = Q ΛZ, B = Q ΩZ. Λ und Ω sind hier obere Dreiecksmatrizen mit den verallgemeinerten Eigenwerten von A und B, und werden in aufsteigender Reihenfolge von links nach rechts sortiert. Willi Mutschler (Institut für Ökonometrie) DSGE-Modelle Sommersemester / 15
10 Der Sims (2001)-Algorithmus Die Eigenwerte sind entscheidend dafür, ob ein Teilsystem konvergiert oder explodiert. Blanchard/Khan-Bedingungen Die Anzahl der Eigenwerte, die betragsmäßig größer gleich 1 sind, muss gleich der Anzahl der im Voraus unbestimmten Variablen sein, damit ein stabiler Sattelpfad existiert. Bezeichne z t+1 = Z x t+1, dann wird das System in einen nicht-explosiven Teil (oben) und einen explosiven Teil (unten) aufgeteilt: [ ] ( ) [ ] ( ) Λ11 Λ 12 z1,t+1 Ω11 Ω = 12 z1,t 0 Λ 22 z 2,t+1 0 Ω 22 z 2,t ( ) [ ] Q1 E1 + C + 1 υ 1,t+1 + D 1 η 1,t+1. E 2 + C 2 υ 2,t+1 + D 2 η 2,t+1 Q 2 (3) Willi Mutschler (Institut für Ökonometrie) DSGE-Modelle Sommersemester / 15
11 Der Sims (2001)-Algorithmus Die Differenzengleichungen zu den Eigenwerten größer als eins werden vorwärts gelöst. Beachte: lim t ( Ω22 1 Λ 22 ) t z2,t = 0 und für alle s > 0 : E t υ 2,t+s = E t η 2,t+s = 0 (Erwartungsfehler spielen keine Rolle) z 2,t = Ω 1 22 Λ 22 z 2,t+1 Ω 1 22 Q 2 [E 2 + C 2 υ 2,t+1 + D 2 η 2,t+1 ] ( = 1 ) i Ω22 Λ 1 22 Ω22 Q 2 [E 2 + C 2 υ 2,t+1+i + D 2 η 2,t+1+i ] = i=0 ( 1 ) i Ω22 Λ 1 22 Ω22 Q 2 E 2 i=0 = [ I Ω 22 1 Λ 22 ] 1 Ω22 1 Q 2 E 2 = [Λ 22 Ω 22 ] 1 Q 2 E 2. Willi Mutschler (Institut für Ökonometrie) DSGE-Modelle Sommersemester / 15
12 Der Sims (2001)-Algorithmus Die Differenzengleichungen zu den Eigenwerten kleiner als eins werden rückwärts gelöst. Beachte: Systematische Verknüpfung der Erwartungsfehler η 1,t &η 2,t. Hinreichende Bedingung für stabilen Sattelpfad Q 1 D = ΦQ 2 D. Φ hat Dimension n s n c (mit z 1,t : n s 1 und z 2,t : n c 1). Damit lässt sich (3) umformen zu: [ ] [ ] ( ) I Φ Λ11 Λ 12 z1,t n s n s = n s n c }{{} 0 Λ 22 z 2,t n s (n s+n c) [ ] [ ] ( ) Ω I Φ 11 Ω 12 z1,t 1 + [ I Φ ] ( ) Q 1 [E ] + Cυt + Dη 0 Ω 22 z 2,t 1 Q t. 2 Willi Mutschler (Institut für Ökonometrie) DSGE-Modelle Sommersemester / 15
13 Der Sims (2001)-Algorithmus [ ] ( ) z Λ 11 Λ 12 ΦΛ 1,t 22 = [ ] ( ) z Ω z 11 Ω 12 ΦΩ 1,t ,t z 2,t 1 + [ ] [ ] [ ] Q 1 ΦQ 2 E + Cυt + (Q1 ΦQ 2 ) Dη t. }{{} =0 Der Algorithmus QZ-Faktorisierung: A = Q ΛZ, B = Q ΩZ, x t = Z ( z1,t z 2,t ), z 1,t = Λ 11 1 (Λ 12 ΦΛ 22 ) z 2,t + Λ 11 1 Ω 11 z 1,t 1 + Λ 11 1 (Ω 12 ΦΩ 22 ) z 2,t 1 + Λ 11 1 (Q 1 ΦQ 2 ) (E + Cυ t ), z 2,t = (Λ 22 Ω 22 ) 1 Q 2 E. Willi Mutschler (Institut für Ökonometrie) DSGE-Modelle Sommersemester / 15
14 Aufgabe 1: Fortsetzung Der Sims (2001)-Algorithmus ist für verschiedene Programmpakete vorprogrammiert, sowie in Dynare implementiert. (e) Bringen Sie das linearisierte Modell in die Form Ax t+1 = Bx t + Cυ t+1 + Dη t+1 + E (f) Berechnen Sie die policy-function mithilfe des Sims (2001)- Algorithmus, nehmen Sie dafür folgende Parameterwerte an: β = 0.99, α = 0.36, σ = 2, δ = 0.025, ρ = 0.9. Willi Mutschler (Institut für Ökonometrie) DSGE-Modelle Sommersemester / 15
15 Hausaufgabe Installieren Sie die aktuelle Version von Matlab. Für die Lizenz müssen Sie im Universitätsnetz per Wlan bzw. per VPN verbunden sein. Laden Sie alle Dateien von in einen Ordnern gensys. Binden Sie diesen in Matlab ein (File-SetPath-Add Folder). Installieren Sie die aktuelle Version von Dynare ( Binden Sie den Dynare Ordner c : \dynare\aktuelle Version\matlab) in Matlab ein (File-SetPath-Add Folder). Willi Mutschler (Institut für Ökonometrie) DSGE-Modelle Sommersemester / 15
Dynamische Systeme und Zeitreihenanalyse // Zustandsraummodelle und Kalman Filter 15 p.2/??
Dynamische Systeme und Zeitreihenanalyse Zustandsraummodelle und Kalman Filter Kapitel 15 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Zustandsraummodelle
MehrBearbeiten Sie 6 der 8 Aufgaben nach Ihrer Wahl.
Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL (Prof. Dr. Lutz Arnold) Wintersemester 2011/12 28.2.2012 Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.: Wird vom Prüfer ausgefüllt:
MehrBearbeiten Sie 6 der 8 Aufgaben nach Ihrer Wahl.
Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL (Prof. Dr. Lutz Arnold) Sommersemester 2010 10.8.2010 Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.: Wird vom Prüfer ausgefüllt:
MehrDSGE-Modelle. Kalibrierung und Einführung in Dynare. Institut für Ökonometrie und Wirtschaftsstatistik Münster
DSGE-Modelle Kalibrierung und Einführung in Dynare Dr. Andrea Beccarini Willi Mutschler, M.Sc. Institut für Ökonometrie und Wirtschaftsstatistik Münster willi.mutschler@uni-muenster.de Sommersemester 2012
MehrBearbeiten Sie 6 der 8 Aufgaben nach Ihrer Wahl.
Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL (Prof. Dr. Lutz Arnold) Wintersemester 2012/13 26.2.2013 Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.: Wird vom Prüfer ausgefüllt:
MehrBearbeiten Sie 6 der 8 Aufgaben nach Ihrer Wahl.
Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL (Prof. Dr. Lutz Arnold) Sommersemester 2011 16.8.2011 Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.: Wird vom Prüfer ausgefüllt:
MehrHinweise vor Beginn der Bearbeitung
Dynamische Methoden der VWL - Nacholklausur im Sommersemester 016 Seite 1 Bachelor-Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL Sommersemester 016 0.08.016 Bitte gut leserlich ausfüllen!
MehrBearbeiten Sie 6 der 8 Aufgaben nach Ihrer Wahl.
Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL (Prof. Dr. Lutz Arnold) Sommersemester 2012 7.8.2012 Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.: Wird vom Prüfer ausgefüllt:
MehrTheorie und Numerik von Differentialgleichungen mit MATLAB und SIMULINK. K. Taubert Universität Hamburg SS08
Theorie und Numerik von Differentialgleichungen mit MATLAB und SIMULINK K. Taubert Universität Hamburg SS8 Linearisierung 2 LINEARISIERUNG und das VERHALTEN VON LÖSUNGEN NICHTLINEARER DIFFERENTIALGLEICHUNGEN
MehrKursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL Sommmersemester Aufgabe Punkte
Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL Sommmersemester 2014 29.07.2014 Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.: Wird vom Prüfer ausgefüllt: Aufgabe 1 2 3 4
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
Mehr1. Betrachten Sie folgendes Modell. Ein repräsentativer Haushalt hat die Periodennutzenfunktion
AME 18/19, exercises 1 Exercises 3 1. Betrachten Sie folgendes Modell. Ein repräsentativer Haushalt hat die Periodennutzenfunktion ( u c t, n t, M ) t = ln c t χ n1+η t P t 1 + η + ψ ln(m t/p t ) χ, η,
MehrHinweise vor Beginn der Bearbeitung
Dynamische Methoden der VWL - Sommersemester 2017 Seite 1 Bachelor-Prüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL Sommersemester 2017 25.08.2017 Bitte gut leserlich ausfüllen! Name: Vorname:
Mehrκ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
MehrAnalyse, Lösung und Schätzung von DSGE-Modellen
Apex Institut Ico. für Vivo Ökonometrie eluo oratio und incurro Wirtschaftsstatistik Tam quod secus, reddo ne vas perting sol pavor tum praesumo Patria quadratus. WWU Münster Schlossplatz 2 48149 Münster
MehrSchriftliche Prüfung aus Control Systems 1 am
TU Graz, Institut für Regelungs- und Automatisierungstechnik 1 Schriftliche Prüfung aus Control Systems 1 am 24.11.2014 Name / Vorname(n): Kennzahl / Matrikel-Nummer: Prüfungsmodus: O VO+UE (TM) O VO (BM)
MehrKursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL (Prof. Dr. Lutz Arnold) Wintersemester 2007/
Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL (Prof. Dr. Lutz Arnold) Wintersemester 2007/08 26.2.2008 Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.: Wird vom Prüfer ausgefüllt:
MehrBegleitmaterial zur Vorlesung Numerik II
Begleitmaterial zur Vorlesung Numerik II Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik II 1 / 35 Inhalte der Numerik
MehrEinführung in DSGE-Modelle und deren Lösung mit Hilfe von Dynare. Prof. Dr. Jochen Michaelis Wintersemester 2015/2016
Einführung in DSGE-Modelle und deren Lösung mit Hilfe von Dynare Prof. Dr. Jochen Michaelis Wintersemester 2015/2016 Kapitel 2: log-linearisierung 2. Methodischer Exkurs: Log-Linearisieren Zietz, Joachim
MehrBearbeiten Sie 6 der 8 Aufgaben nach Ihrer Wahl.
Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL (Prof. Dr. Lutz Arnold) Sommtersemester 2013 6.8.2013 Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.: Wird vom Prüfer ausgefüllt:
MehrLösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 2016
Institut für Analysis Prof Dr Michael Plum Lösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 0 0090 Aufgabe Punkte: Betrachten Sie das lineare Gleichungssystem Ax = b mit A = 0 und b
MehrStochastische Prozesse und Box-Jenkins Technik
Stochastische Prozesse und Box-Jenkins Technik Stichwörter: AR-, MA- und ARMA-Prozeß weißes Rauschen random walk Autokorrelations-Funktion Stationarität Invertierbarkeit Korrelogramm Box-Jenkins Technik
MehrKonjunkturtheorie. Prof. Dr. Kai Carstensen, LMU und ifo Institut Steffen Elstner, ifo Institut
Konjunkturtheorie Prof. Dr. Kai Carstensen, LMU und ifo Institut Steffen Elstner, ifo Institut Deterministische Differenzengleichung 2. Ordnung 2 Deterministische Differenzengleichung 2. Ordnung Eine lineare
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 =
MehrVAR- und VEC-Modelle. Kapitel 22. Angewandte Ökonometrie / Ökonometrie III Michael Hauser
1 / 42 VAR- und VEC-Modelle Kapitel 22 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 42 Inhalt VAR-Modelle, vector autoregressions VARX in Standardform und Strukturform VAR: Schätzung in
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gausling, M.Sc. C. Hendricks, M.Sc. Sommersemester 204 Bergische Universität Wuppertal Fachbereich C Mathematik und Naturwissenschaften Angewandte Mathematik / Numerische Analysis
MehrSystemanalyse und Modellbildung
Systemanalyse und Modellbildung Universität Koblenz-Landau Fachbereich 7: Natur- und Umweltwissenschaften Institut für Umweltwissenschaften Dr. Horst Niemes(Lehrbeauftragter) 7. Zeitdiskrete Modelle 7.1
MehrKursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL Wintersemester 2013/ Aufgabe Punkte
Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL Wintersemester 2013/14 25.2.2014 Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.: Wird vom Prüfer ausgefüllt: Aufgabe 1 2 3
MehrFallstudien der mathematischen Modellbildung Teil 3: Quanten-Operationen. 0 i = i 0
Übungsblatt 1 Aufgabe 1: Pauli-Matrizen Die folgenden Matrizen sind die Pauli-Matrizen, gegeben in der Basis 0, 1. [ [ [ 0 1 0 i 1 0 σ 1 = σ 1 0 = σ i 0 3 = 0 1 1. Zeigen Sie, dass die Pauli-Matrizen hermitesch
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)
MehrKlausur zur Vorlesung Lineare Algebra II, SoSe 2016,
Klausur zur Vorlesung Lineare Algebra II, SoSe 6, 6.7.6 Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen und Sätze aus der Vorlesung korrekt zu formulieren
MehrWiederholung von Linearer Algebra und Differentialrechnung im R n
Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:
MehrLösungsvorschlag zur Modulprüfung Numerische Methoden - Wintersemester 2016/17
Institut für Analysis Prof Dr Michael Plum Lösungsvorschlag zur Modulprüfung Numerische Methoden - Wintersemester 6/7 837 Aufgabe Punkte): Gegeben sei das lineare Gleichungssystem Ax = b mit A = 6 3 und
MehrLösungshinweise zur Klausur. Mathematik für Informatiker III. (Dr. Frank Hoffmann) 18. Februar 2008
Lösungshinweise zur Klausur Mathematik für Informatiker III (Dr. Frank Hoffmann) 8. Februar 8 Aufgabe Algebraisches I /6++ (a) Rechnen Sie zunächst nach, dass die Menge B = {,, von Vektoren eine Basis
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
MehrKapitel 12. Differenzen- und Differenzialgleichungen
Kapitel 12. Differenzen- und Differenzialgleichungen In diesem Kapitel wollen wir die grundlegenden Techniken erklären, mit denen das dynamische Verhalten von ökonomischen Systemen (und nicht nur solchen)
MehrProf. Dr. Fred Böker
Statistik III WS 2004/2005; 8. Übungsblatt: Lösungen 1 Prof. Dr. Fred Böker 07.12.2004 Lösungen zum 8. Übungsblatt Aufgabe 1 Die Zufallsvariablen X 1 X 2 besitzen eine gemeinsame bivariate Normalverteilung
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
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
MehrIdentifizierbarkeit von Modellen
Identifizierbarkeit von Modellen Stichwörter: Simultanes Mehrgleichungsmodell Struktur- und reduzierte Form Vollständigkeit Identifizierbarkeit Abzählbedingung Rangbedingung o1-19.tex/0 Interdependente
MehrÜbungsblatt
Prof Dr Fabien Morel Lineare Algebra II Dr Anand Sawant Sommersemester 2018 Übungsblatt 11 20062018 Aufgabe 1 (2 Punkte) Berechnen Sie eine Jordan-Basis für die Matrix 3 1 1 M = 2 2 0 M 3 (R) 1 1 3 Wir
MehrStellen Sie für das im folgenden Signalflussbild dargestellte dynamische System ein Zustandsraummodell K
Aufgaben Aufgabe : Stellen Sie für das im folgenden Signalflussbild dargestellte dnamische Sstem ein Zustandsraummodell auf. u 2 7 5 Aufgabe 2: Wir betrachten das folgende Regelsstem vierter Ordnung: r
Mehr2 Halbgruppen von Übergangswahrscheinlichkeiten. Markov-Prozesse
2 Halbgruppen von Übergangswahrscheinlichkeiten Markov-Prozesse Im Folgenden sei (X, B) ein (polnischer) Messraum und T = [0, ) oder T = N 0 Definition 21 Eine Familie (P t ) t T von (X, B) mit Übergangswahrscheinlichkeiten
MehrSYSTEMANALYSE 2 Kapitel 7: Zeitdiskrete Modelle
Universität Koblenz-Landau Fachbereich 7: Natur-und Umweltwissenschaften Institut für Umweltwissenschaften Dr. Horst Niemes(Lehrbeauftragter) SYSTEMANALYSE 2 Kapitel 7: Zeitdiskrete Modelle 1. Zeitdiskrete
MehrKursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL (Prof. Dr. Lutz Arnold) Sommersemester
Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL (Prof. Dr. Lutz Arnold) Sommersemester 2007 7.8.2007 Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.: Wird vom Prüfer ausgefüllt:
Mehr1 Nicht-lineare dynamische Systeme
1 Nicht-lineare dynamische Systeme 1.1 Charakteristika linerarer Systeme Superpositionsprinzip: Sind x 1 und x Lösungen eines linearen Systems, dann ist auch α 1 x 1 + α x eine Lösung. Berühmte Beispiele:
Mehr1.3 Zweidimensionale Systeme
132 KAPITEL IV. QUALITATIVE THEORIE UND DYNAMISCHE SYSTEME Im Fall a 3 > 0 ist das Gleichgewicht asymptotisch stabil. Für a 2 3 > 4a 1a 2 haben wir < < 0 und es liegt ein stabiler Knoten vor (siehe den
MehrÜbungsblatt
Übungsblatt 3 3.5.27 ) Die folgenden vier Matrizen bilden eine Darstellung der Gruppe C 4 : E =, A =, B =, C = Zeigen Sie einige Gruppeneigenschaften: a) Abgeschlossenheit: Berechnen Sie alle möglichen
MehrEigenwerte. Vorlesung Computergestützte Mathematik zur Linearen Algebra. Lehrstuhl für Angewandte Mathematik Sommersemester 2009
Eigenwerte Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Sommersemester 2009 25. Juni + 2.+9. Juli 2009 Grundlagen Definition Ist für A C n,n, Ax = λx
MehrLina II - Aufgaben zur Vorbereitung für die Klausur (Teil 1) - Lösungen
Lina II - Aufgaben zur Vorbereitung für die Klausur (Teil 1) - en Kommentare an HannesKlarner@FU-Berlinde FU Berlin SS 1 Dia- und Trigonalisierbarkeit Aufgabe (1) Gegeben seien A = i i C 3 3 und B = 1
MehrKommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler Sommersemester 7 (7.8.7). Gegeben ist die Matrix A 3 3 3 (a) Bestimmen Sie sämtliche Eigenwerte sowie die zugehörigen Eigenvektoren.
MehrCompressed Sensing für Signale aus Vereinigungen von Unterräumen
Compressed Sensing für Signale aus Vereinigungen von Unterräumen Nadine Pawlitta 21. Januar 2011 Nadine Pawlitta () CS auf Vereinigungen von Unterräumen 21. Januar 2011 1 / 28 Übersicht 1 Grundprinzip
MehrMehrgleichungsmodelle
1 / 25 Mehrgleichungsmodelle Kapitel 20 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 25 Inhalt SUR, seemingly unrelated regressions Systeme von interdependenten Gleichungen Identifikation
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 4 Wintersemester 2017/18 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2017 Steven Köhler Wintersemester 2017/18 Inhaltsverzeichnis Teil 1 Teil
MehrEigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)
Eigenwerte 1 Eigenwerte und Eigenvektoren Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1) für einen Vektor x 0. Vektor x heißt ein
MehrLineare Algebra für PhysikerInnen
Universität Wien, SS 2015 Lineare Algebra für PhysikerInnen Beispiele für Multiple-Choice-Fragen Punkteschlüssel: [Typ 1 aus 4] und [Typ 3 aus 4]... 0.8 Punkte [Typ 2 aus 4]... 1 Punkt Bei der schriftlichen
Mehr9 SLAM Simultaneous Localization and Mapping
9 SLAM Simultaneous Localization and Mapping Einleitung eines der aktivsten Forschungsgebiete innerhalb der Robotik Roboterlokalisierung bei gegebener Karte (Kap. 8 und Karte aus Sensordaten bei bekannter
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 4 Wintersemester 2018/19 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2018 Steven Köhler Wintersemester 2018/19 Inhaltsverzeichnis Teil 1 Teil
MehrKursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL (Prof. Dr. Lutz Arnold) Wintersemester 2009/
Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL (Prof. Dr. Lutz Arnold) Wintersemester 2009/10 2.3.2010 Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.: Wird vom Prüfer ausgefüllt:
MehrEinführung in DSGE-Modelle und deren Lösung mit Hilfe von Dynare 3. Das klassische monetäre Grundmodell
Einführung in DSGE-Modelle und deren Lösung mit Hilfe von Dynare 3. Das klassische monetäre Grundmodell Wintersemester 2015/2016 3. Das klassische monetäre Grundmodell als Benchmark Gali, Jordi (2008):
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
MehrTrigonalisierung. Definition. 1) Sei F : V V linear, dim V = n. Dann heißt F trigonalisierbar, wenn es eine Basis B von V gibt sodass a 11 a 12..
Trigonalisierung Sei F : V V linear und dim V = n. Wir beschäftigen uns jetzt mit der Frage, ob es eine Basis B von V gibt, sodass M B (F ) eine Dreiecksmatrix ist. Definition. ) Sei F : V V linear, dim
MehrKlausurenkurs zum Staatsexamen (SS 2014): Lineare Algebra und analytische Geometrie 1
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 2014): Lineare Algebra und analytische Geometrie 1 1.1 (Herbst 2005, Thema 1, Aufgabe 1) Bestimmen Sie alle reellen Lösungen des folgenden linearen
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,...,
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
MehrEinführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB)
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB) Prof. R. Leithner, Dipl. Phys. E. Zander Wintersemester 2010/2011 Kapitel 6 Eigenwerte
MehrMathematische Behandlung des Risikos in der Portfolio-Optimierung
Mathematische Behandlung des Risikos in der Portfolio-Optimierung Michael Manger Mathematisches Institut Universität Bayreuth Seminar Stochastische Dynamische Optimierung Bayreuth, 5. März 2008 Michael
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 4 Wintersemester 018/19 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de c 018 Steven Köhler Wintersemester 018/19 Inhaltsverzeichnis Teil 1 Teil Teil
MehrLösung zu Serie [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich:
Lineare Algebra D-MATH, HS 04 Prof. Richard Pink Lösung zu Serie. [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich: a) F (X) := X 5 X in R[X] und C[X]. b) F (X) := X 4 +X 3 +X in
MehrInexakte Newton Verfahren
Kapitel 3 Inexakte Newton Verfahren 3.1 Idee inexakter Newton Verfahren Wir betrachten weiterhin das nichtlineare Gleichungssystem F (x) = mit einer zumindest stetig differenzierbaren Funktion F : R n
MehrEigenwerte und Eigenvektoren
Eigenwerte und Eigenvektoren Siehe Analysis (von der Hude, Folie 20: Definition 2.3. Ein Vektor x R n heißt Eigenvektor der quadratischen n n-matrix A zum Eigenwert λ R, wenn gilt Ax = λx Die Eigenwerte
MehrProf. Steinwart Höhere Mathematik I/II Musterlösung A =
Prof. Steinwart Höhere Mathematik I/II Musterlösung 7..7 Aufgabe ( Punkte) (a) Bestimmen Sie die Eigenwerte und Eigenräume der Matrix A mit 3 3 A = 3 Ist die Matrix A diagonalisierbar? (b) Die Matrix A
Mehr4.6 Berechnung von Eigenwerten
4.6 Berechnung von Eigenwerten Neben der Festlegung auf den betragsgrößten Eigenwert hat die Potenzmethode den Nachteil sehr langsamer Konvergenz, falls die Eigenwerte nicht hinreichend separiert sind.
MehrLineare Algebra und Numerische Mathematik für D-BAUG. Serie 13
P. Grohs T. Welti F. Weber Herbstsemester 2015 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Serie 13 Diese letzte Serie des Semesters befasst sich noch einmal mit wichtigen Themen
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
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
Mehr6 Polynomielle Gleichungen und Polynomfunktionen
6 Polynomielle Gleichungen und Polynomfunktionen Lineare Gleichungen Eine lineare Gleichung in einer Variablen ist eine Gleichung der Form ax + b = cx + d mit festen Zahlen a und c mit a c. Dies kann man
MehrNumerik SS Musterlösung zu Hausaufgabenblatt 1
PROF DR BERND SIMEON CHRISTIAN GOBERT THOMAS MÄRZ Numerik SS 2009 Musterlösung zu Hausaufgabenblatt Aufgabe Links- und Rechtseigenpaare (20 P) Definition: Sei A C n n Ein Vektor 0 = x C n heißt (Rechts-)eigenvektor
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
MehrDynamische Systeme und Zeitreihenanalyse // Systeme von Differenzengleichungen 6 p.2/??
Dynamische Systeme und Zeitreihenanalyse Systeme von Differenzengleichungen Kapitel 6 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Systeme von Differenzengleichungen
MehrTU Ilmenau Institut für Mathematik FG Numerische Mathematik und Informationsverarbeitung PD Dr. W. Neundorf Datei: UEBG2.TEX
TU Ilmenau Institut für Mathematik FG Numerische Mathematik und Informationsverarbeitung PD Dr. W. Neundorf Datei: UEBG2.TEX Übungsaufgaben zum Lehrgebiet Numerische Mathematik - Serie 2 Beweise Sie folgende
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
MehrAusgewählte Fragen der Geldtheorie und -politik
Ausgewählte Fragen der Geldtheorie und -politik Prof. Dr. Jochen Michaelis Wintersemester 2014/2015 Appendix B: Log-Linearisieren Zietz, Joachim (2008): A Clarifying Note on Converting to Log-Deviations
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
MehrEINFÜHRUNG IN DIE NUMERIK - ÜBUNGSBLATT 3 Sommersemester 2010
Prof. Dr. O. Junge, P. Koltai, K. Tichmann Zentrum Mathematik - M3 Technische Universität München EINFÜHRUNG IN DIE NUMERIK - ÜBUNGSBLATT 3 Sommersemester 2 Tutorübungen T6 (Schur-Komplement) (a) Es sei
MehrAusgleichsproblem. Definition (1.0.3)
Ausgleichsproblem Definition (1.0.3) Gegeben sind n Wertepaare (x i, y i ), i = 1,..., n mit x i x j für i j. Gesucht ist eine stetige Funktion f, die die Wertepaare bestmöglich annähert, d.h. dass möglichst
MehrLösungsvorschlag zur Nachklausur zur Analysis
Prof Dr H Garcke, D Depner SS 09 NWF I - Mathematik 080009 Universität Regensburg Lösungsvorschlag zur Nachklausur zur Analysis Aufgabe Untersuchen Sie folgende Reihen auf Konvergenz und berechnen Sie
MehrHinweise vor Beginn der Bearbeitung
Dynamische Methoden der VWL - Klausur WS 2016/17 Seite 1 Bachelor-Kursprüfung Methoden der VWL Klausurteil Dynamische Methoden der VWL Wintersemester 2016/17 28.02.2017 Bitte gut leserlich ausfüllen! Name:
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 25): Lineare Algebra und analytische Geometrie 2 2. (Frühjahr 29, Thema 3, Aufgabe 3) Gegeben sei die reelle 3 3 Matrix 4 2 A = 2 7 2 R 3 3. 2 2 a)
MehrLineare Algebra und Numerische Mathematik D-BAUG. Winter 2013 Prof. H.-R. Künsch. , a R. det(a) = 0 a = 1.
b Musterlösung Lineare Algebra und Numerische Mathematik D-BAUG. Multiple Choice) Gegeben sei die folgende Matrix Winter 3 Prof. H.-R. Künsch A = a a) deta) = genau dann wenn gilt x a =. a =. ), a R. x
MehrKlausurenkurs zum Staatsexamen (WS 2016/17): Lineare Algebra und analytische Geometrie 1
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 206/7): Lineare Algebra und analytische Geometrie. (Herbst 2005, Thema, Aufgabe ) Bestimmen Sie alle reellen Lösungen des folgenden linearen Gleichungssystems:.2
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
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 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
MehrII Stationäre Zeitreihen
II Stationäre Zeitreihen Bei der Modellierung von Zeitreihen in Anwendungen spielen ARMA(p, q)-modelle eine wichtige Rolle. Sie sind als stationäre Lösungen stochastischer Differenzgleichungen mit konstanten
MehrMathematische Werkzeuge R. Neubecker, WS 2018 / 2019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 018 / 019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen 1 Optimierung Optimierungsprobleme Suche nach dem Maximum oder Minimum
MehrÜbungsskript Regelungstechnik 2
Seite 1 von 11 Universität Ulm, Institut für Mess-, Regel- und Mikrotechnik Prof. Dr.-Ing. Klaus Dietmayer / Seite 2 von 11 Aufgabe 1 : In dieser Aufgabe sollen zeitdiskrete Systeme untersucht werden.
MehrTheorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann Probe-Klausur zur Vorlesung Ökonometrie Theorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte (die eigentliche Klausur wird
Mehr