Analyse von Querschnittsdaten. Spezifikation der Regressionsfunktion
|
|
- Angela Bieber
- vor 5 Jahren
- Abrufe
Transkript
1 Analse von Querschnittsdaten Spezifikation der Regressionsfunktion
2 Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum Vorlesung Einführung Beispiele Forschungsdesigns & Datenstrukturen Variablen Bivariate Regression Kontrolle von Drittvariablen Multiple Regression Statistische Inferenz Signifikanztests I Signifikanztests II Spezifikation der unabhängigen Variablen Spezifikation der Regressionsfunktion Heteroskedastizität Regression mit Dumm-Variablen Logistische Regression
3 Gliederung. Definition: Linearität und Additivität. Nicht-lineare Modelle. Nicht-additive Modelle 4. Auswirkungen einer Fehlspezifikation 5. Tests auf Fehlspezifikation der funktionalen Form
4 Linearität linear: * Der Effekt der unabhängigen Variablen ist immer gleich groß, egal welchen Wert die Variable aufweist. Unabhängigkeit von der Größe von nicht-linear: () 4 5
5 Additivität Der Effekt der unabhängigen Variablen i hängt nicht davon ab, welche Werte andere unabhängige Variablen j haben. Unabhängigkeit von anderen Variablen j additiv: *,5* nicht-additiv:,5* *
6 Zusammenfassung Linear-additive Modelle implizieren kontetunabhängige Effekte! Effekte sind unabhängig von der Größe der jeweiligen unabhängigen Variablen von den Werten der anderen unabhängigen Variablen
7 Gliederung. Definition: Linearität und Additivität. Nicht-lineare Modelle a. Einige Beispiele b. Transformation in ein lineares Regressionsmodell c. Interpretation der Regressionskoeffizienten ausgewählter nicht-linearer Modelle. Nicht-additive Modelle 4. Auswirkungen einer Fehlspezifikation 5. Tests auf Fehlspezifikation der funktionalen Form
8 Polnomregression m K m u erlaubt zunehmende, abnehmende und sich umkehrende Effekte von
9 Eponentialmodell (Tp ) u ln ln ln ln ln u erlaubt zunehmende oder abnehmende Effekte entspricht Modell mit Logarithmen für > : schiefe Verteilung / Heteroskedaszität > < bei.5.5
10 Eponentialmodell (Tp ) ep( u) ln u erlaubt zunehmende oder abnehmende Effekte entspricht semi-logarithmischem Modell : schiefe Verteilung / Heteroskedaszität > < bei bei ep( ep( ) ).5.5
11 Gliederung. Definition: Linearität und Additivität. Nicht-lineare Modelle a. Einige Beispiele b. Transformation in ein lineares Regressionsmodell c. Interpretation der Regressionskoeffizienten ausgewählter nicht-linearer Modelle. Nicht-additive Modelle 4. Auswirkungen einer Fehlspezifikation 5. Tests auf Fehlspezifikation der funktionalen Form
12 Polnomregression m m m m m m m m v z z z z z z z z u Koeffizientenvergleich OLS- Schätzung mit transformierten Variablen Definiere Modell K K
13 Eponentialmodell (Tp ) * * ln Koeffizientenvergleich Schätzung mit transformierten Variablen OLS ln ln ln Definiere ln ln ln ln ln Modell v z z z z u u
14 Eponentialmodell (Tp ) * * Koeffizientenvergleich Schätzung mit transformierten Variablen OLS ln Definiere ln ) ep( Modell v u u
15 Nicht transformierbar u ln ln( u) wegen additivem Fehlerterm Alle nicht-linearen Modelle, die sich nicht durch Variablentransformation in ein linear-additives Modell (mit additivem Fehlerterm) überführen lassen, können nicht mit OLS geschätzt werden. Genauer: Alle nicht-linearen Modelle, bei denen die Optimierungsfunktion keine lineare Funktion der Regressionskoeffizienten ist, können nicht mit OLS geschätzt werden.
16 Annahmen Alle Modelle, bei denen die Optimierungsfunktion eine lineare Funktion der Regressionskoeffizienten ist, können mit OLS geschätzt werden.
17 Gliederung. Definition: Linearität und Additivität. Nicht-lineare Modelle a. Einige Beispiele b. Transformation in ein lineares Regressionsmodell c. Interpretation der Regressionskoeffizienten ausgewählter nicht-linearer Modelle. Nicht-additive Modelle 4. Auswirkungen einer Fehlspezifikation 5. Tests auf Fehlspezifikation der funktionalen Form
18 Quadratische Terme Modell Effekt Minimum / Maimum u Beispiel: ,5 ( 9) 9 4 5
19 Logarithmierte Variablen Modell a b c d Abhängig ln ln Unabhängig ln ln Interpretation % ( /)% ( ) % % a. Wenn man um eine Einheit erhöht, verändert sich um Einheiten. b. Näherungsweise (wenn <,5): Wenn man um ein Prozent erhöht, verändert sich um / Einheiten. c. Näherungsweise (wenn <,5): Wenn man um eine Einheit erhöht, verändert sich um Prozent (Semi- Elastizität). d. Wenn man um ein Prozent erhöht, verändert sich um Prozent (Elastizität).
20 Begründung der Näherungslösung ) ln (ln % : nicht zu groß ist ) Wenn die absolute Veränderung ( % Prozentuale Veränderungen werden wie folgt gemessen :
21 Gliederung. Definition: Linearität und Additivität. Nicht-lineare Modelle. Nicht-additive Modelle a. Interaktionseffekte mit kategorialen Variablen b. Interaktionseffekte mit kontinuierlichen Variablen 4. Auswirkungen einer Fehlspezifikation 5. Tests auf Fehlspezifikation der funktionalen Form
22 Interaktion mit einer kategorialen Variablen Beispiel: Bildungsrenditen nach Geschlecht income,7,7 educ,46 se,98 iakt mit iakt se educ income :Stundenlohn, simulierte Daten, n 4 Geschlechterunterschied (Niveau):, 46 Bildungseffekt (Männer) :,7 Bildungseffekt (Frauen):,7,98,9 income/fitted values Männer Frauen educ
23 Interaktion mit einer kontinuierlichen Variablen Beispiel: Bildung und Berufserfahrung wage 7,9 5, educ,7 eper,9 iakt mit iakt eper educ 7,9 5, educ (,7,9 educ) eper 7,9 (5,,9 eper) educ,7 eper R,4, n 95 (wage.dta) Effekt Eperience Education Effekt Education Eperience Effect_Eperience 4 Effect_Education Education Eperience
24 Zentrierung einfachere Interpretation deduc educ deper eper educ eper iakt deper deduc educ,46845 eper,5664 wage 975, 8, deduc 9,9 deper,9 iakt R 975, (8,,9 deper) deduc 9,9 deper 975, 8, deduc (9,9,9 deduc) deper,4, n 95 (wage.dta) 975, : Lohn bei durchschnittlicher Ausbildung (deduc) und durchschnittlicher Berufserfahrung (deper) 8, : Lohnerhöhung bei einem Jahr längerer Ausbildung für Personen mit durchschnittlicher Berufserfahrung (deper) 8,,9... für Personen mit Berufserfahrung, die ein Jahr länger als im Durchschnitt ist (deper)
25 Gliederung. Definition: Linearität und Additivität. Nicht-lineare Modelle. Nicht-additive Modelle 4. Auswirkungen einer Fehlspezifikation 5. Tests auf Fehlspezifikation der funktionalen Form
26 Verzerrung durch Unterspezifikation income educ se se educ Wenn geschlechtsspezifische Bildungsrenditen eistieren, vernachlässigt folgendes Modell eine wichtige Variable: income educ se wage educ eper eper educ Wenn die Effekte von Ausbildung und Berufserfahrung gegenseitig voneinander abhängen, vernachlässigt folgendes Modell eine wichtige Variable: educ eper wage
27 Heteroskedastizität Fehlspezifikation: Ignorierung der Geschlechterunterschiede in den Bildungsrenditen. Die Fehlerterme sind weiterhin im Mittel Null, aber die Varianz der Fehlerterme steigt mit zunehmender Bildung. income/fitted values educ residwrong educ
28 Gliederung. Definition: Linearität und Additivität. Nicht-lineare Modelle. Nicht-additive Modelle 4. Auswirkungen einer Fehlspezifikation 5. Tests auf Fehlspezifikation der funktionalen Form a. Vergleich hierarchischer Modelle (F-Test, Regression Specification Error Test von Ramse, 969) b. Vergleich nicht hierarchischer Modelle (Davidson- MacKinnon Test)
29 Wiederholung: Hierarchische Modelle Zwei Modelle A und a sind hierarchisch (nested), wenn die Parameter des Modells a eine Teilmenge der Parameter des Modells A sind. Das (restringierte) Modell a ergibt sich aus dem (nicht restringierten) Modell A, indem man für die Parameter in A lineare Restriktionen formuliert. (nicht restringiertes) Modell A: Zwei Restriktionen : ergibt (restringiertes) Modell a : und u u
30 Wiederholung: Test linearer Restriktionen mit einem F-Test (nicht restringiertes) Modell A: Zwei Restriktionen : ergibt (restringiertes) Modell a : und u u H : und H : H trifft nicht zu F ( SSR SSR r ur SSR ( n k ur ) q ) q Anzahl der Restriktionen SSRr Summe der quadrierten Residuen im restringierten Modell a SSRur Summe der quadrierten Residuen im nicht restringierten Modell k Anzahl der Regressionskoeffizienten (ohne Konstante) in Modell A n Stichprobenumfang A
31 Anwendung: Test auf Fehlspezifikation der funktionalen Form. Test auf Weglassung quadratischer, kubischer usw. Terme der -Variablen. Test auf Weglassung allgemeiner nichtlinearer Abhängigkeiten (Trick: Test auf Weglassung quadratischer, kubischer usw. Terme der Modellprognosen als -Variablen) Regression Specification Error Test (RESET) von Ramse (969)
32 Anwendung: Test auf Fehlspezifikation der funktionalen Form. Weglassung -Variablen. Weglassung Modellprognosen : ˆ ˆ ˆ Schritt : ˆ ˆ ˆ ˆ ˆ Prognose : Schritt : H v u : H u
33 Vergleich nicht hierarchischer Modelle Nicht hierarchische Modelle: Modell B ergibt sich nicht durch lineare Parameterrestriktionen aus Modell A Modell A : u Modell B : ln ln u Test von Davidson / MacKinnon (98) weitere Einzelheiten bei WO (94-95)
34 Zum Schluss
35 Zusammenfassung Linear-additive Modelle Alternativen Folgen einer Fehlspezifikation Gegenmaßnahmen Kontetunabhängigkeit Nicht-lineare Funktionen Interaktionseffekte Verzerrungen Heteroskedastizität Theorie Spezifikationstests
36 Wichtige Fachausdrücke Deutsch Englisch Deutsch Englisch linear-additives Modell linear-additive model restringiertes Modell restricted model nicht-lineares Modell non-linear model nicht restringiertes Modell unrestricted model Interaktionseffekt interaction effect Restriktion restriction hierarchisches Modell nested model Spezifikationstest specification test
37 Weiterführende Literatur Berr / Feldman 985 Kapitel 5 (BF 5-7): Fehlspezifikation der funktionalen Form gewidmet Wooldridge () Anhang A.4 (WO ): mathematische Grundlagen quadratischer, logarithmischer und eponentieller Funktionen Abschnitt 6. (WO 87-96): Überblick über nicht-lineare Funktionen und die Modellierung nicht-additiver Effekte mit Interaktionen unabhängiger Variablen. Abschnitt 7.4 (WO -4): Interaktionseffekte mit kategorialen Variablen (die Verwendung von Dumm-Variablen besprechen wir ausführlich in der übernächsten Sitzung) Abschnitt 9. (WO 89-95): Tests auf Fehlspezifikation der funktionalen Form
38 Stata-Befehle Nach der Eingabe des Regressionskommandos reg kann man mit weiteren Befehlen zusätzliche (Test-)Ergebnisse abrufen predict hat, b ovtest ovtest, rhs Berechnung der Regressionsprognosen und Abspeicherung in einer neuen Variablen Test auf Fehlspezifikation der funktionalen Form (RESET nach Ramse) mithilfe von Polnomen der Regressionsprognosen Test auf Fehlspezifikation der funktionalen Form (RESET nach Ramse) mithilfe von Polnomen der -Variablen
Zur Erinnerung: Annahmen
Zur Erinnerung: Annahmen Vorlesung 6: Heteroskedastizität. Beispiele mit heteroskedastischen Fehlertermen. Auswirkungen von Heteroskedastizität auf OLS-Schätzungen. Wie erkennt man das Vorliegen von Heteroskedastizität?
MehrAnalyse von Querschnittsdaten. Heteroskedastizität
Analyse von Querschnittsdaten Heteroskedastizität Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004 03.11.2004
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
MehrAnalyse von Querschnittsdaten. Signifikanztests II Advanced Stuff
Analyse von Querschnittsdaten Signifikanztests II Advanced Stuff Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 9..5 6..5..5 9..5 6..5..5..5
MehrAnalyse von Querschnittsdaten. Signifikanztests II Advanced Stuff
Analyse von Querschnittsdaten Signifikanztests II Advanced Stuff Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum..4..4 7..4..4..4 7..4 4..4..4
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
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
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
MehrAnalyse von Querschnittsdaten. Regression mit Dummy-Variablen
Analyse von Querschnittsdaten Regression mit Dummy-Variablen Warum geht es in den folgenden Sitzungen? Datum Vorlesung 9.0.05 Einführung 26.0.05 Beispiele 02..05 Forschungsdesigns & Datenstrukturen 09..05
Mehr11. Übungsblatt zur Vorlesung Ökonometrie SS 2014
Universität des Saarlandes Lehrstab Statistik Dr. Martin Becker Dipl.-Kfm. Andreas Recktenwald 11. Übungsblatt zur Vorlesung Ökonometrie SS 2014 Aufgabe 45 Die in Aufgabe 43 getroffene Annahme heteroskedastischer
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
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.
MehrModellspezifikationen Nichtlinearitäten
Modellspezifikationen Nichtlinearitäten Agenda Dummy-Variablen Interaktionseffekte (quadratische Effekte / Polynome) Dummy Interaktion Logarithmierte Variablen Wachstumsraten / Semielastizitäten Elastizitäten
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
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
Mehr2.3 Nichtlineare Regressionsfunktion
Nichtlineare Regressionsfunktion Bisher: lineares Regressionsmodell o Steigung d. Regressionsgerade ist konstant o Effekt einer Änderung von X auf Y hängt nicht vom Niveau von X oder von anderen Regressoren
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
MehrVorlesung 9: Kumulierte (gepoolte) Querschnittsdaten
Vorlesung 9: Kumulierte (gepoolte) Querschnittsdaten 1. Kumulierte Querschnittsdaten: Was ist das? 2. Anwendungsmöglichkeiten im Überblick 3. Fallstudie 1: Determinanten von Erwerbseinkommen 1978-85 4.
MehrAnalyse zeitabhängiger Daten. Kumulierte (gepoolte) Querschnittsdaten I
Analyse zeitabhängiger Daten Kumulierte (gepoolte) Querschnittsdaten I 1 Warum geht es in den folgenden Sitzungen? Kumulierte Querschnitte (Trend-, Kohortenanalyse) Datum 04.04.07 11.04.07 18.04.07 25.04.07
MehrPobeklausur: Einführung in die Ökonometrie. 1. (20 Punkte) Wir betrachten 2 (in den Koeffizienten) lineare Modelle mit folgenden Variablen:
Gesamtpunktzahl: 96 Pobeklausur: Einführung in die Ökonometrie 1. (20 Punkte) Wir betrachten 2 (in den Koeffizienten) lineare Modelle mit folgenden Variablen: cigs: gerauchte Zigaretten pro Tag educ: Bildung
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 20
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 20 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
MehrDas 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
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 17.12.2002 Life is the art of drawing sufficient conclusions from insufficient premises. Samuel Butler Dr. Wolfgang Langer Institut für
MehrEmpirische Wirtschaftsforschung
Thomas K. Bauer Michael Fertig Christoph M. Schmidt Empirische Wirtschaftsforschung Eine Einführung ß 361738 4y Springer Inhaltsverzeichnis 1 Wichtige Konzepte der Statistik - Eine Einführung 1 1.1 Die
MehrEmpirische Analysen mit dem SOEP
Empirische Analysen mit dem SOEP Methodisches Lineare Regressionsanalyse & Logit/Probit Modelle Kurs im Wintersemester 2007/08 Dipl.-Volksw. Paul Böhm Dipl.-Volksw. Dominik Hanglberger Dipl.-Volksw. Rafael
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 7. Vorlesung: 05.05.2003 Agenda 2. Multiple Regression i. Grundlagen ii. iii. iv. Statistisches Modell Verallgemeinerung des Stichprobenmodells auf Populationsebene
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 12.11.2002 He uses statistics as a drunken man use lampposts - for support rather than for illumination. Andrew Lang Dr. Wolfgang Langer
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
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...
MehrKausalanalyse. Einführung
Kausalanalyse Einführung 1 Gliederung 1. Einordnung in das Curriculum 2. Spezialisierungsmöglichkeiten 3. Teilnahmevoraussetzungen 4. Gliederung der Vorlesung Kausalanalyse "Kausalanalyse" 5. Übung 2 Lehrstuhl
MehrLineare Regression und Varianzanalyse
Lineare Regression und Varianzanalyse Von Prof. Dr. Fritz Pokropp Universität der Bundeswehr Hamburg R. Oldenbourg Verlag München Wien Inhaltsverzeichnis 1 Einleitung 1 1.1 Grundstruktur linearer Modelle
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
MehrInstitut für Soziologie Christian Ganser. Methoden 2. Regressionsanalyse II: Lineare multiple Regression
Institut für Soziologie Christian Ganser Methoden 2 Regressionsanalyse II: Lineare multiple Regression Inhalt 1. Anwendungsbereich 2. Vorgehensweise bei multipler linearer Regression 3. Beispiel 4. Modellannahmen
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrKlassen diskreter Variablen
Modelle diskreter Variablen Klassen diskreter Variablen binär multinomial Weitere Klassifizierung multinomialer diskreter Variablen: kategorial y = 1, falls Einkommen < 3000 e. y = 2, falls Einkommen zw.
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
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
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
MehrVorlesung 12: Ausblick - Was wir nicht besprochen haben
Vorlesung 12: Ausblick - Was wir nicht besprochen haben 1. Instrumentalvariablen 2. Regressionsmodelle für spezielle Datenkonstellationen 3. Messfehler 4. Systeme mit mehreren Regressionsgleichungen Vorlesung
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 27
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 27 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
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
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
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
Mehr1. Lösungen zu Kapitel 7
1. Lösungen zu Kapitel 7 Übungsaufgabe 7.1 Um zu testen ob die Störterme ε i eine konstante Varianz haben, sprich die Homogenitätsannahme erfüllt ist, sind der Breusch-Pagan-Test und der White- Test zwei
MehrRegression III. Statistik I. Sommersemester Wiederholung. Zwei unabhängige Variablen Multivariate Zusammenhänge Interaktion.
Regression III Statistik I Sommersemester 2009 Statistik I Regression III (1/36) FN 2004 25 20 15 10 5 10 15 20 Zuwandererquote Statistik I Regression III (2/36) Zum Nachlesen Agresti/Finlay Kapitel 10.2,
MehrDatenanalyse mit Excel und Gretl
Dozent: Christoph Hindermann christoph.hindermann@uni-erfurt.de Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 1 Teil 2: Gretl Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 2 Modellannahmen
MehrInferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
MehrDrittvariablenkontrolle in der linearen Regression: Trivariate Regression
Drittvariablenkontrolle in der linearen Regression: Trivariate Regression 14. Januar 2002 In der Tabellenanalyse wird bei der Drittvariablenkontrolle für jede Ausprägung der Kontrollvariablen eine Partialtabelle
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
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 10.12.2002 Say not I have found the truth, but, rather, I have found a truth Kahlil Gibran, The Prophet Dr. Wolfgang Langer Institut 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
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
Breusch-Pagan-Test I Ein weiterer Test ist der Breusch-Pagan-Test. Im Gegensatz zum Goldfeld-Quandt-Test ist es nicht erforderlich, eine (einzelne) Quelle der Heteroskedastizität anzugeben bzw. zu vermuten.
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
MehrInstrument zur Untersuchung eines linearen Zusammenhangs zwischen zwei (oder mehr) Merkmalen.
Gliederung Grundidee Einfaches lineares Modell KQ-Methode (Suche nach der besten Geraden) Einfluss von Ausreißern Güte des Modells (Bestimmtheitsmaß R²) Multiple Regression Noch Fragen? Lineare Regression
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
MehrZusammenfassung 11. Sara dos Reis.
Zusammenfassung 11 Sara dos Reis sdosreis@student.ethz.ch Diese Zusammenfassungen wollen nicht ein Ersatz des Skriptes oder der Slides sein, sie sind nur eine Sammlung von Hinweise zur Theorie, die benötigt
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
MehrPraxis der Regressionsanalyse
Praxis der Regressionsanalyse Von Samprit Chatterjee New York University und Bertram Price Price Associates, Inc., Washington, D. C. Aus dem Amerikanischen übertragen von Prof. Dr. Gunter Lorenzen Universität
Mehr= 2 ( 3250,3 ( 3251,5)) = 1,1662 F(2,800) = 2,4 χ2
Pobeklausur: Einführung in die Ökonometrie (Lösung) Gesamtpunktzahl: 96 1. (20 Punkte) a) Anmerkung: statt im Durchschnitt kann auch der/die/das erwartete... stehen. educ : Wenn die Bildung um 1 Jahr steigt,
MehrUlrich Kohler, Frauke Kreuterr. Datenanalyse mit. Stata. Allgemeine Konzepte der Datenanalyse und ihre praktische Anwendung. 5. aktualisierte Auflage
Ulrich Kohler, Frauke Kreuterr Datenanalyse mit Stata Allgemeine Konzepte der Datenanalyse und ihre praktische Anwendung 5. aktualisierte Auflage DE GRUYTER OLDENBOURG Inhalt Vorwort V Zu diesem Buch 1
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 26.11.2002 All Mathematics would suggest A steady straight line as the best, But left and right alternately Is consonant with History.
MehrÖkonometrie. Hans Schneeweiß. 3., durchgesehene Auflage. Physica-Verlag Würzburg-Wien 1978 ISBN
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Hans Schneeweiß Ökonometrie 3., durchgesehene Auflage Physica-Verlag
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
Mehr1 Inhaltsverzeichnis. 1 Einführung...1
1 Inhaltsverzeichnis 1 Einführung...1 1.1 Arten der stochastischen Abhängigkeit...2 1.2 Wo kommen regressive Abhängigkeiten vor?...3 1.3 Hauptaufgaben von Regressionsmodellen...3 1.4 Wissenschaftstheoretische
MehrLineare Regression. Kapitel Regressionsgerade
Kapitel 5 Lineare Regression 5 Regressionsgerade Eine reelle Zielgröße y hänge von einer reellen Einflussgröße x ab: y = yx) ; zb: Verkauf y eines Produkts in Stückzahl] hängt vom Preis in e] ab Das Modell
MehrProxies, Endogenität, Instrumentvariablenschätzung
1 4.2 Multivariate lineare Regression: Fehler in den Variablen, Proxies, Endogenität, Instrumentvariablenschätzung Literatur: Wooldridge, Kapitel 15, Appendix C.3 und Kapitel 9.4 Wahrscheinlichkeitslimes
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrRegressionsanalysen mit Stata
Regressionsanalysen mit Stata Wiederholung: Deskriptive Analysen - Univariate deskriptive Analysen (Häufigkeitsauszählungen einer Variablen) - Multivariate deskriptive Analysen (Untersuchung gemeinsamer
MehrTutorat: Angewandte Methoden der Politikwissenschaft FS18
Tutorat: Angewandte Methoden der Politikwissenschaft FS18 Fachverein Polito Andreas Brand 11. Juni 2018 Andreas Brand 11. Juni 2018 1 Ein paar Anmerkungen zum Tutorat heute Ich, Andi: 4. Semester, MACIS
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie WS 2017/18. ( = 58 Punkte)
Aufgabe 3 (14 + 2 + 7 + 7 + 3 + 5 + 9 + 11 = 58 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe der Statistiksoftware R soll der Datensatz HousePrices aus
MehrKategorielle Zielgrössen
Kategorielle Zielgrössen 27.11.2017 Motivation Bisher gesehen: Regressionsmodelle für diverse Arten von Zielgrössen Y. kontinuierliche Zielgrösse Lineare Regression Binäre/binomiale Zielgrösse Logistische
MehrMultiple Regression III
Multiple Regression III Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Überprüfung der Modellannahmen Residuen-Plot Normal-Q-Q-Plot Cook s Distanz-Plot Maßnahmen bei Abweichungen von Modellannahmen
MehrAnalyse von Querschnittsdaten. Einführung
Analyse von Querschnittsdaten Einführung Gliederung 1. Einordnung in das Curriculum 2. Spezialisierungsmöglichkeiten 3. Teilnahmevoraussetzungen 4. Gliederung der Vorlesung 5. Übung Gliederung 1. Einordnung
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
MehrTest von Hypothesen: Signifikanz des Zusammenhangs (F-Test)
Test von Hyothesen: Signifikanz des Zusammenhangs (F-Test) Die Schätzung der Regressionsfunktion basiert auf Daten einer Stichrobe Inwiefern können die Ergebnisse dieser Schätzung auf die Grundgesamtheit
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
MehrVorlesung: Lineare Modelle
Vorlesung: Lineare Modelle Prof Dr Helmut Küchenhoff Institut für Statistik, LMU München SoSe 2014 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
4 Multiple lineare Regression Tests auf Heteroskedastie 4.11 Breusch-Pagan-Test I auf Heteroskedastie in den Störgrößen Ein weiterer Test auf Heteroskedastie in den Störgrößen ist der Breusch-Pagan-Test.
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
4 Multiple lineare Regression Tests auf Heteroskedastie 4.11 Breusch-Pagan-Test I auf Heteroskedastie in den Störgrößen Ein weiterer Test auf Heteroskedastie in den Störgrößen ist der Breusch-Pagan-Test.
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
Breusch-Pagan-Test I auf Heteroskedastie in den Störgrößen Ein weiterer Test auf Heteroskedastie in den Störgrößen ist der Breusch-Pagan-Test. Im Gegensatz zum Goldfeld-Quandt-Test ist es nicht erforderlich,
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Methodenlehre Mathematische und statistische Methoden I Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-06 Dr. Malte Persike persike@uni-mainz.de
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
MehrSTATISTISCHE METHODEN UND IHRE ANWENDUNGEN
STATISTISCHE METHODEN UND IHRE ANWENDUNGEN Von Dr. rer. nat. Erwin Kreyszig o. Professor für Statistik an der Universität Karlsruhe mit 82 Abbildungen und zahlreichen Tabellen Vierter, unveränderter Nachdruck
MehrHierarchische lineare Modelle: Mehrebenenmodelle
Hierarchische lineare Modelle: Mehrebenenmodelle Eine erste Einführung in grundsätzliche Überlegungen und Vorgehensweisen Dr. Matthias Rudolf: M3 Multivariate Statistik Vorlesung Einführung HLM Folie Nr.
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
Mehr