Spezifikationsprobleme Omitted Variable Bias
|
|
- Christin Grosse
- vor 5 Jahren
- Abrufe
Transkript
1 Spezifikationsprobleme Omitted Variable Bias
2 Spezifikationsprobleme In der Grundgesamtheit gilt der wahre (aber unbekannte) Zusammenhang y = 0 + 1x 1 + : : : kx k dieser Zusammenhang soll anhand einer repräsentativen Stichprobe ^y = ^ 0 + ^ 1x 1 + : : : ^ kx k und einem Schätzmodell erforscht werden Schätzmodell muss nicht zwangsläufiig wahrem Zusammenhang entsprechen mögliche Fehler Auslassen einer relevanten Variable (omitted-variable bias) Einschluss einer irrelevanten Variable 2
3 Gedankenexperiment Grundgesamtheit Grundgesamtheit raw_data.sav (Simulierter Datensatz) Beobachtungen Korrelation von ½=0.8 zwischen x2 und x3 Stichprobe zufälliger Einfluss, mit E(Ã) = 50 Was passiert, wenn wir den wahren Zusammenhang unter Verwendung dergrundgesamtheit schätzen? 3
4 wahrer Zusammenhang: Schätzmodell y = 0 + 1x 1 + 2x 2 + 3x 3 + 4x 4 + u Source SS df MS Number of obs = F( 4, 9995) =. Model e Prob > F = Residual R-squared = Adj R-squared = Total e Root MSE = y Coef. Std. Err. t P> t [95% Conf. Interval] x x x x _cons ^y = ^ 0 + ^ 1x 1 + ^ 2x 2 + ^ 3x 3 + ^ 4x 4 + ^u = x 1 30x x x 4 4
5 Grundges. wahr Mod. Grundges. ohne x 3 Grundges. ohne x 1 Grundges. incl. x 5 ^ 0 50 ^ 1 10 ^ 2-30 ^ 3 50 ^ 4 12 ^
6 Gedankenexperiment Problem: Verhältnisse in Grundgesamtheit sind unbekannt was passiert, wenn wir ein fehlerhaftes Modell schätzen? (Fehlspezifikation) 1 y = x 2 + 3x 3 + 4x 4 + u 2 y = 0 + 1x 1 + 2x x 4 + u (fehlende relevante Variable) 3 y = 0 + 1x 1 + 2x 2 + 3x 3 + 4x 4 + 5x 5 + u (Einschluss irrelevanter Variable) 6
7 Omitted Variable Bias Herauslassen einer relevanten Variable (z.b. x 1 ) Schätzmodell y = x 2 + 3x 3 + 4x 4 + u fehlender modellierter Effekt der Effekt der ausgelassenen Variable fließt in das Residuum 7
8 Annahme 3 des OLS-Modells: E(Ãjx 1 ; : : : ; x k ) = 0 wenn für alle relevanten Einflüsse kontrolliert wurde verbleibt kein kein systematischer Effekt im Residuum hier indessen: y = x 2 + 3x 3 + 4x 4 + u fehlender modellierter Effekt ^u = 1x 1 + ^Ã ) E(^u) = E( 1x 1 ) + E( ^Ã) = 1x 1 6= 0 Problem? 8
9 Schätzmodell y = x 2 + 3x 3 + 4x 4 + u Source SS df MS Number of obs = F( 3, 9996) = Model Prob > F = Residual R-squared = Adj R-squared = Total e Root MSE = y Coef. Std. Err. t P> t [95% Conf. Interval] x x x _cons ^y = ^ ^ 2x 2 + ^ 3x 3 + ^ 4x 4 = x x x 4 9
10 Schätzmodell ^y = ^ ^ 2x 2 + ^ 3x 3 + ^ 4x 4 = x x x 4 Modellgüte sinkt weil relevante Einflüsse nicht mitmodelliert wurden R 2 im wahren Modell ~ 0.99 R 2 im fehlspezifizierten Modell 0.44 geschätzte Koeffizienten 2, 3 und 4 sind aber unverzerrt (kein omitted variable bias) Grund: x1 ist nicht korreliert mit anderen Variablen 10
11 -20 0 x Omitted Variable Bias Herauslassen der relevanten Variable x 3 Schätzmodell y = 0 + 1x 1 + 2x x 4 + u x 3 ist mit x 2 korreliert (½=0.8) was passiert? x3 11
12 Schätzmodell y = 0 + 1x 1 + 2x x 4 + u Source SS df MS Number of obs = F( 3, 9996) = Model e Prob > F = Residual R-squared = Adj R-squared = Total e Root MSE = y Coef. Std. Err. t P> t [95% Conf. Interval] x x x _cons ^y = ^ 0 + ^ 1x 1 + ^ 2x ^ 4x 4 = x 1 19x x 4 12
13 Schätzmodell ^y = x 1 19x x 4 Korrelation ^y = ^ 0 + ^ 1x 1 + ^ 2x 2 + +^ 4x 4 + ^u x 3 hat positiven Einfluss auf y steigt x 3 ) steigt y positiver Effekt fehlt Variablen x 2 und x 3 sind positiv korreliert (½ = 0.8) steigt x 3 ) steigt x 2 positiv (>0) x 2 übernimmt (teilweise) positiven Effekt von x 3 negativer Einfluss wird abgeschwächt 13
14 Schätzmodell ^y = ^ 0 + ^ 1x 1 + ^ 2x ^ 4x 4 = x 1 19x x 4 geschätzter Koeffizient 2ist verzerrt (omitted variable bias) Grund: x 2 ist mit x 3 korreliert ist x 3 nicht im Modell, übernimmt x 2 (teilweise) den Einfluss von x 3 Koeffizienten 1 und 4 sind unverzerrt Koeffizienten 1 und 4 nicht mit x 3 korreliert ) nicht betroffen 14
15 Spezifikations-Irrgarten y = 0 + jx j + kx k + u k 6= 0 including x k excluding x k richtige Spezifikation Corr(x j x k ) 0 Corr(x j x k ) = 0 Verzerrung von ^ j ^ j unverzerrt Modellgüte sinkt 15
16 Misspezifikationen Einschluss einer irrelevanten Variable x 5 keine Bedeutung für Erklärung der abhängigen Variable y Schätzmodell y = 0 + 1x 1 + 2x 2 + 3x 3 + 4x 4 + 5x 5 + u Einfluss ist irrelevant fehlende Relevanz sollte durch Modell erkannt werden (Signifikanztest) Koeffizienten 1 bis 4 sollten unverzerrt sein 16
17 Misspezifikationen Source SS df MS Number of obs = F( 5, 9994) =. Model e Prob > F = Residual R-squared = Adj R-squared = Total e Root MSE = y Coef. Std. Err. t P> t [95% Conf. Interval] x x x x x5-2.72e _cons Koeffizient 5 ist ~ 0 (-2, ) Signifikanztest H0: j = 0 vs. j 0 wenn kein Zusammenhang, sollte H0 nicht abgelehnt werden können t-wert für 5 ist ~ 0 ) Signifikanzniveau ist nahezu 1 ) lehne H0 nicht ab ) 5 ist nicht signifikant 17
18 Spezifikations-Irrgarten k = 0 y = 0 + jx j + kx k + u k 6= 0 including x k excluding x k including x k excluding x k richtige Spezifikation Corr(x j x k ) 0 Corr(x j x k ) = 0 Corr(x j x k ) 0 Corr(x j x k ) = 0 Multikollinearität evtl. ^ j insignifikant kein Effekt Verzerrung von ^ j ^ j unverzerrt Modellgüte sinkt 18
19 Grundges. Stichprobe Stichprobe ohne x 1 Stichprobe ohne x 3 Stichprobe incl. x 5 ^ 0 ^ 1 ^ 2 ^ 3 ^ 4 ^ 5 19
Das Lineare Regressionsmodell
Das Lineare Regressionsmodell Bivariates Regressionsmodell Verbrauch eines Pkw hängt vom Gewicht des Fahrzeugs ab Hypothese / Theorie: Je schwerer ein Auto, desto mehr wird es verbrauchen Annahme eines
MehrStatistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
MehrÜbungsblatt 10: Lineare Regression (Sitzung 11)
1 Übungsblatt 10: Lineare Regression (Sitzung 11) Aufgabe 1 a) Nach welchem Kriterium wird die Regressionsgerade zur Vorhersage von Y-Werten festgelegt? b) Was sind die Gemeinsamkeiten und Unterschiede
MehrANOVA und Transformationen. Statistik II
und Statistik II Wiederholung Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur für nächste
MehrZeitreihen. Statistik II. Literatur. Zeitreihen-Daten Modelle Probleme Trends und Saisonalität Fehlerstruktur. 1 Wiederholung.
Statistik II 1 Literatur 2 -Daten Trends und Saisonalität Fehlerstruktur 3 Statistik II (1/31) Literatur Zum Nachlesen Wooldridge ch 101 & 102 Statistik II (2/31) Literatur Für nächste Woche Einfache für
MehrANOVA und Transformationen
und Statistik II Literatur Statistik II und (1/28) Literatur Zum Nachlesen Agresti ch. 12 (nur bis Seite 381) Agresti ch. 13 (nur bis Seite 428) Statistik II und (2/28) Literatur Literatur für nächste
MehrAnnahmen des linearen Modells
Annahmen des linearen Modells Annahmen des linearen Modells zusammengefasst A1: Linearer Zusammenhang: y = 0 + 1x 1 + 2x 2 + + kx k A2: Zufallsstichprobe, keine Korrelation zwischen Beobachtungen A3: Erwartungswert
MehrInstitut für Soziologie Benjamin Gedon. Methoden 2. Kausalanalyse
Institut für Soziologie Methoden 2 Kausalanalyse Inhalt 1. Kausalanalyse 2. Anwendungsbeispiel 3. Wiederholung 4. Übungsaufgabe # 2 Kausalanalyse Kausalität: Identifizieren von Ursache-Wirkungs-Beziehungen
MehrInstitut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Ausblick; Darstellung von Ergebnissen; Wiederholung
Institut für Soziologie Dipl.-Soz. Methoden 2 Ausblick; Darstellung von Ergebnissen; Wiederholung Ein (nicht programmierbarer) Taschenrechner kann in der Klausur hilfreich sein. # 2 Programm Ausblick über
MehrModellspezifikationen Nichtlinearitäten
Modellspezifikationen Nichtlinearitäten Agenda Dummy-Variablen Interaktionseffekte (quadratische Effekte / Polynome) Dummy Interaktion Logarithmierte Variablen Wachstumsraten / Semielastizitäten Elastizitäten
MehrFRAGESTUNDE WS 2016/17 QM 2. Dr. Christian Schwarz 1
FRAGESTUNDE Dr. Christian Schwarz 1 #2 - Allgemein Q: Müssen wir den Standard Error händisch berechnen können? R: Nein. Q: Hat das Monte Carlo Experiment irgendeine Bedeutung für uns im Hinblick auf die
MehrKlausur: Angewandte Ökonometrie. Termin: , 14:00 16:00. Prüfer: Prof. Dr. Hans-Jörg Schmerer. Datum:
Fakultät für Wirtschaftswissenschaft Lehrstuhl für Volkswirtschaftslehre, insb. Internationale Ökonomie Univ.-Prof. Dr. Hans-Jörg Schmerer Name: Vorname: Matrikel-Nr.: Klausur: 42270 Angewandte Ökonometrie
MehrLehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im SS 2012
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im SS 2012 Aufgabe 1 (20 Punkte) Sei y = Xβ + ε ein N 1 Vektor und X eine N K Matrix.
MehrInstitut für Soziologie Andreas Schneck. Methoden 2. Regressionsanalyse II: Lineare multiple Regression
Institut für Soziologie Methoden 2 Regressionsanalyse II: Lineare multiple Regression Hinweise zur Hausarbeit Abgabe bis 07.08.2017 bis 23 Uhr als PDF-Datei per E-Mail an methoden2@soziologie.uni-muenchen.de
MehrP[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)
Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,
MehrEinführung II. Kontext und Mehr-Ebenen-Datensätze. Wiederholung Statistische Mehr-Ebenen-Modelle Politisches Vertrauen in Europa Fazit/Ausblick
Einführung II Kontext und Mehr-Ebenen-Datensätze Kontext und Mehr-Ebenen-Datensätze Einführung II (1/28) Warum? Wiederholung Moderne Erklärungen = Mehr-Ebenen-Erklärungen Viele Datensätze sind strukturiert
MehrZeitreihen. Statistik II
Statistik II Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Zum Nachlesen
MehrWieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik
Wieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik Axel Werwatz und Jens Kolbe Econ Boot Camp 2013 SFB 649 Ökonomisches Risiko Immo ist wichtig 2 Economist, 2002 Krise, 2008 Immo
MehrStatistische Methoden der Lebensverlaufsforschung. Prof. Dr. Johannes Giesecke Humboldt-Universität zu Berlin Institut für Sozialwissenschaften
Statistische Methoden der Lebensverlaufsforschung Prof. Dr. Johannes Giesecke Humboldt-Universität zu Berlin Institut für Sozialwissenschaften Lebensverlauf Deutschland, ca 1870 Johannes Giesecke Statistische
MehrAnalyse von Querschnittsdaten. Spezifikation der unabhängigen Variablen
Analyse von Querschnittsdaten Spezifikation der unabhängigen Variablen Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 3.0.004 0.0.004
MehrVorlesung 4: Spezifikation der unabhängigen Variablen
Vorlesung 4: Spezifikation der unabhängigen Variablen. Fehlspezifikation der unabhängigen Variablen. Auswirkungen einer Fehlspezifikation a. auf die Erwartungstreue der Schätzung b. auf die Effizienz der
MehrKurs Empirische Wirtschaftsforschung
Kurs Empirische Wirtschaftsforschung 5. Bivariates Regressionsmodell 1 Martin Halla Institut für Volkswirtschaftslehre Johannes Kepler Universität Linz 1 Lehrbuch: Bauer/Fertig/Schmidt (2009), Empirische
MehrMultiple Regression. Statistik II
Statistik II Übersicht Wiederholung Literatur Regression Assoziation und Kausalität Statistische Kontrolle Multivariate Beziehungen Inferenz Das Multivariate Modell Beispiel: Bildung und Verbrechen Fit
MehrWieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik
Wieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik Axel Werwatz und Martin Wersing Econ Boot Camp 2010 SFB 649 Ökonomisches Risiko Gute Vorsätze: Herz & Kopf & Hand Lernziel: Immotheorie
MehrProf. Dr. Marc Gürtler WS 2015/2016. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft
Prof. Dr. Marc Gürtler WS 015/016 Prof. Dr. Marc Gürtler Klausur zur 10/1 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft Lösungsskizze Prof. Dr. Marc Gürtler WS 015/016 Aufgabe 1: (11+5+1+8=56
MehrEinfache Modelle für Paneldaten. Statistik II
Einfache Modelle für daten Statistik II Wiederholung Literatur daten Policy-Analyse II: Statistik II daten (1/18) Literatur Zum Nachlesen Einfache Modelle für daten Wooldridge ch. 13.1-13.4 (im Reader)
MehrPrüfung im Fach Mikroökonometrie im Sommersemester 2014 Aufgaben
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Mikroökonometrie im Sommersemester 014 Aufgaben Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
MehrMasterprüfung SS 2014
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Masterprüfung SS 2014 Fach: Ökonometrie Prüfer: Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnummer E-Mail
MehrWieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik. Axel Werwatz Econ Boot Camp 2012 SFB 649 Ökonomisches Risiko
Wieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik Axel Werwatz Econ Boot Camp 2012 SFB 649 Ökonomisches Risiko Gute Vorsätze: Herz & Kopf & Hand Lernziel: Immotheorie + Daten
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
MehrDeterminanten der Fremdenfeindlichkeit
Christian-Albrechts-Universität zu Kiel Institut für Sozialwissenschaften Bereich Soziologie Sommersemester 2014 Seminar: Design und Datenerhebung/ Datenauswertung Dipl.-Soz. Saskia Maria Fuchs Determinanten
MehrInstitut für Soziologie Andreas Schneck. Methoden 2. Regressionsanalyse I: Lineare Regression
Institut für Soziologie Methoden 2 Regressionsanalyse I: Lineare Regression Organisatorisches Hausarbeitsgruppen: Aktueller Stand der Gruppenbildung Bitte bis spätestens 03.07.2017 die Gruppenzusammensetzung
MehrPrüfung im Fach Ökonometrie im SS 2011 Aufgabenteil. Name, Vorname. Matrikelnr. Studiengang. -Adresse. Unterschrift
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im SS 2011 Aufgabenteil Name, Vorname Matrikelnr. Studiengang E-Mail-Adresse Unterschrift
MehrAbschlussklausur zur Vorlesung Empirische Wirtschaftsforschung
Dr Isabel Schnabel Johannes Gutenberg-Universität Mainz Abschlussklausur zur Vorlesung Empirische Wirtschaftsforschung Sommersemester 2007, 14082007, 16:30 18:30 Uhr Hinweise zur Klausur Die Klausur besteht
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
MehrMultiple 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
MehrMasterprüfung. Die Klausur besteht aus 3 Aufgaben, die alle bearbeitet werden müssen.
Fach: Prüfer: Mikroökonometrie Prof. Regina T. Riphahn, Ph.D. Masterprüfung Vorbemerkungen: Bearbeitungszeit: 60 Minuten. Anzahl der Aufgaben: Bewertung: Erlaubte Hilfsmittel: Wichtige Hinweise: Die Klausur
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,
MehrMikro-Ökonometrie, WS 2017/2018 Musterlösung von Aufgabe H(eckman sche Selection Bias Analyse)
Mikro-Ökonometrie, WS 2017/2018 Musterlösung von Aufgabe H(eckman sche Selection Bias Analyse) Aufgabe H: Für diese Analyse verwenden wir Daten aus dem Current Population Survey 1991 USamerikanischer Haushalte,
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrGert Pickel, Cemal Öztürk und Merve Schmitz-Vardar
Grenzziehungen gegenüber Muslimen = Grenzen der Demokratie? Islamophobie, (anti-)demokratische Werteorientierungen und ihre sozial-psychologischen Grundlagen in europäischen Gesellschaften Gert Pickel,
MehrMikro-Ökonometrie, WS 15/16 Musterlösung Aufgabenblatt 3
Mikro-Ökonometrie, WS 15/16 Musterlösung Aufgabenblatt 3 Aufgabe 3: Die Datei WAGE2.DTA enthält Daten einer Stichprobe von 935 männlichen US-amerikanischen Arbeitnehmern im Alter von 28 bis 38 Jahren.
Mehr* Beispiel 1: Verkehrsunfaelle
* Beispiel 1: Verkehrsunfaelle. use "C:\hja\lehre\daten\wooldridge\stata\TRAFFIC2.DTA", clear. des Contains data from C:\hja\lehre\daten\wooldridge\stata\TRAFFIC2.DTA obs: 108 vars: 48 17 Aug 1999 23:02
MehrMikro-Ökonometrie: Small Sample Inferenz mit OLS
Mikro-Ökonometrie: Small Sample Inferenz mit OLS 1. November 014 Mikro-Ökonometrie: Small Sample Inferenz mit OLS Folie Zusammenfassung wichtiger Ergebnisse des letzten Kapitels (I) Unter den ersten vier
MehrBachelorprüfung im Wintersemester 2014/15
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Bachelorprüfung im Wintersemester 2014/15 Fach: Prüfer: Empirische Wirtschaftsforschung II Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnummer
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrVorlesung 3: Schätzverfahren
Vorlesung 3: Schätzverfahren 1. Beispiel: General Social Survey 1978 2. Auswahl einer Zufallsstichprobe und Illustration des Stichprobenfehlers 3. Stichprobenverteilung eines Regressionskoeffizienten 4.
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrGibt es einen Zusammenhang zwischen Merkmalen? Korrelationen
Schäfer A & Schöttker-Königer T, Statistik für (2015) Arbeitsblatt 1 STATA Kapitel 8 Seite 1 Gibt es einen Zusammenhang zwischen Merkmalen? Korrelationen Wie in allen Kapiteln gehen wir im Folgenden davon
MehrMasterprüfung SS MUSTERLÖSUNG
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Masterprüfung SS 2017 - MUSTERLÖSUNG Fach: Ökonometrie Prüfer: Prof. Regina T. Riphahn, Ph.D. Vorbemerkungen:
MehrPrüfung im Fach Mikroökonometrie im Wintersemester 2012/13 Aufgaben
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Mikroökonometrie im Wintersemester 2012/13 Aufgaben Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
Mehr1. Grundlagen linearer Panelmodelle
1. Grundlagen linearer Panelmodelle 1.1 Aggregierte (gepoolte) Querschnittsdaten Viele Befragungen von Personen, Haushalten oder Unternehmen werden regelmäßig wiederholt. Beispiele sind die jährliche Current
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Datum Vorlesung 18.10.2006 Einführung 18.10.2006 Beispiele 25.10.2006 Daten 08.11.2006 Variablen Kontinuierliche
MehrPanelregression (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
MehrPrüfung 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
MehrArbeitsmarktökonomie. Fragestunde. Universität Basel HS 2014 Christoph Sajons, Ph.D.
Arbeitsmarktökonomie Fragestunde Universität Basel HS 2014 Christoph Sajons, Ph.D. 1 Heute A. Ganz kurz: Empirie Migration B. Allgemeines zur Klausur C. Fragen 2 A. Empirie Migration Siehe Do- und Log-file
MehrEmpirische Wirtschaftsforschung
Kurzfassung Empirische Wirtschaftsforschung Is it magic? [WS09/10 Prof. Urban] Die Zusammenfassung dient lediglich zur Klausurvorbereitung, kann jedoch nicht Vorlesung und Übung ersetzen. Es kann keine
MehrMasterprüfung SS 2016
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Mikroökonometrie Semester: Sommersemester 2016 Prüfer: Prof. Regina T. Riphahn, Ph.D. Masterprüfung SS 2016
MehrBivariate Zusammenhänge
Bivariate Zusammenhänge 40 60 80 Bivariater Zusammenhang: Zusammenhang zwischen zwei Variablen weight (kg) Gibt es einen Zusammenhang zwischen Größe & Gewicht? (am Beispieldatensatz) Offensichtlich positiver
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief. Statistik II
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Wiederholung Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrLösung Aufgabenblatt 3 zur Mikro-Ökonometrie, WS 2017/2018
Lösung Aufgabenblatt 3 zur Mikro-Ökonometrie, WS 2017/2018 Aufgabe 3: Die Datei WAGES2.DTA enthält Daten einer Stichprobe von 935 männlichen US-amerikanischen Arbeitnehmern im Alter von 28 bis 38 Jahren.
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte : Schätzung Statistik
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrMultiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse. Statistik II
Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Wiederholung Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik
MehrAnalyse von Querschnittsdaten. Statistische Inferenz
Analyse von Querschnittsdaten Statistische Inferenz Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004 03.11.2004
MehrLehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im SS 2012 Lösungsskizze
Lehrstuhl für Statistik und empirische irtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im ach Ökonometrie im SS 2012 Lösungsskizze Aufgabe 1 (20 Punkte) Sei y = Xβ + ε ein N 1 Vektor und X eine
MehrKategoriale 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
Mehr2 Anwendungen und Probleme
Prof. Dr. Werner Smolny Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 05 Tel. 0731 50 24261 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
Mehr2. Statische lineare Panelmodelle
2. Statische lineare Panelmodelle 2.1 Fixed effects Schätzung Eine gegenüber der first-differenced OLS-Schätzung oft vorteilhaftere Vorgehensweise zur Beseitigung der fixen Effekte α i in linearen fixed
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrProf. Dr. Marc Gürtler WS 2014/2015. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft
Prof. Dr. Marc Gürtler WS 04/05 Prof. Dr. Marc Gürtler Klausur zur 0/ SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft Lösungsskizze Prof. Dr. Marc Gürtler WS 04/05 Aufgabe : (37 Punkte) ) Die
MehrEmpirical Banking and Finance
Empirical Banking and Finance Vorlesung zur Volkswirtschaftspolitik Prof. Dr. Isabel Schnabel Lehrstuhl für Volkswirtschaftslehre, insb. Financial Economics Johannes Gutenberg-Universität Mainz Wintersemester
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrVorlesung: Lineare Modelle. Verschiedene Typen von Residuen. Probleme bei der Regression und Diagnose. Prof. Dr. Helmut Küchenhoff.
Vorlesung: Lineare Modelle Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München SoSe 205 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen.
MehrLehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2012/13
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2012/13 Aufgabe 1 (17 Punkte) Mit einer Regression wird die tägliche Schlafdauer
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
MehrMissing Data. Regressionsmodelle für Politikwissenschaftler. Wiederholung Missing Data
Regressionsmodelle für Politikwissenschaftler TSCS Regression in Stata Struktur definieren:. xtset id year panel variable: time variable: delta: id (strongly balanced) year, 1996 to 2004, but with gaps
MehrÖkonometrieprüfung WS 2014/ MUSTERLÖSUNG
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Ökonometrie Ökonometrieprüfung WS 2014/2015 - MUSTERLÖSUNG Prüfer: Prof. Regina T. Riphahn, Ph.D. Vorbemerkungen:
MehrMasterprüfung. Fach: Mikroökonometrie Prüfer: Prof. Regina T. Riphahn, Ph.D. Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
Masterprüfung Fach: Mikroökonometrie Prüfer: Prof. Regina T. Riphahn, Ph.D. Vorbemerkungen: Anzahl der Aufgaben: Bewertung: Erlaubte Hilfsmittel: Wichtige Hinweise: Die Klausur besteht aus 4 Aufgaben,
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
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
MehrPerfekte Multikollinearität III. Multikollinearität
Multikollinearität Perfekte Multikollinearität I Erinnerung: Unter der (gemäß Modellannahmen ausgeschlossenen) perfekten Multikollinearität versteht man eine perfekte lineare Abhängigkeit unter den Regressoren
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrKategoriale 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
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
Mehr(1 Punkt) i) Bestimmen Sie formal den marginalen Effekt der Häufigkeit des Alkoholkonsums für männliche
Aufgabe 1 [14 Punkte] Sie möchten untersuchen, wovon die Abwesenheit der Studierenden in den Vorlesungen an einer Universität abhängt. Sie verfügen über einen Datensatz zu 282 Studierenden mit folgenden
MehrJohn Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
Mehr1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
MehrMasterprüfung WS 2015/16 - MUSTERLÖSUNG
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Masterprüfung WS 2015/16 - MUSTERLÖSUNG Fach: Ökonometrie Prüfer: Prof. Regina T. Riphahn, Ph.D. Vorbemerkungen:
MehrPrüfung im Fach Ökonometrie im WS 09/10 Aufgabenteil. Name, Vorname. Matrikelnr. Studiengang. -Adresse. Unterschrift
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 09/10 Aufgabenteil Name, Vorname Matrikelnr. Studiengang E-Mail-Adresse Unterschrift
Mehr4 Multiple lineare Regression Multikollinearität 4.9
Multikollinearität Erinnerung: Unter der (gemäß Modellannahmen ausgeschlossenen) perfekten Multikollinearität versteht man eine perfekte lineare Abhängigkeit unter den Regressoren (einschließlich des Absolutglieds
Mehr4 Multiple lineare Regression Multikollinearität 4.9
Multikollinearität Erinnerung: Unter der (gemäß Modellannahmen ausgeschlossenen) perfekten Multikollinearität versteht man eine perfekte lineare Abhängigkeit unter den Regressoren (einschließlich des Absolutglieds
MehrAbschlussklausur zur Vorlesung Empirische Wirtschaftsforschung
Prof Dr Isabel Schnabel Johannes Gutenberg-Universität Mainz Abschlussklausur zur Vorlesung Empirische Wirtschaftsforschung Sommersemester 2012, 24072012, 8:00 9:30 Uhr Hinweise zur Klausur Die Klausur
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 3. Momentenschätzung auf Stichprobenbasis
Mehr