Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D.
|
|
- Gottlob Weber
- vor 5 Jahren
- Abrufe
Transkript
1 Lehrsuhl für Saisik und empirische Wirschafsforschung Prof. Regina T. Riphahn, Ph.D. Diplomvorprüfung in Saisik II Winersemeser 005/ Aufgabe : [45 Punke] Eine Miarbeierin eines Nürnberger Saisik-Lehrsuhls möche herausfinden, welche Fakoren die Diplomnoe von Sudierenden beeinflussen. Sie befrag dazu T = 00 zufällig ausgewähle Absolvenen, die gerade ihr Diplom bekommen haben, zu folgenden Aspeken: DNoe: Diplomnoe (Werebereich von,0 bis 4,0) VDNoe: Noe im Vordiplom (Werebereich von,0 bis 4,0) Sem: Zahl der Fachsemeser bis zum Erhal des Diploms Aler: Aler der befragen Person bei Erhal des Diploms (in Jahren) Sex: Geschlech (weiblich =, männlich = 0) BY: Person samm aus Bayern (ja =, nein = 0) Die Miarbeierin unersell, dass eine Noe ein quaniaives Merkmal is, das hier in 0,-Schrien gemessen wurde, und formulier folgendes Modell: ( ) DNoe = β + β VDNoe + β ln Sem + β Aler + β Sex + β BY + e Die Auswerung der Daen mi R ergib folgenden Oupu: Call: lm(formula = DNoe ~ VDNoe + log(sem) + Aler + Sex + BY) Coefficiens: Esimae Sd. Error value Pr(> ) (Inercep) VDNoe ? 7.7e-3 *** log(sem) * Aler Sex ? BY * --- Signif. codes: 0 '***' 0.00 '**' 0.0 '*' 0.05 '.' 0. ' ' Residual sandard error: on 94 degrees of freedom Muliple R-Squared:?, Adjused R-squared: F-saisic:.99 on? and? DF, p-value:.58e-4 a) Berechnen Sie uner Angabe des Rechenwegs die im Oupu fehlenden Were für (5 Punke) a) den -Wer für b ; a) den Sandardfehler für b 4 ; a3) Die Zahl der Freiheisgrade für den oalen F-Tes (df und df); a4) die geschäze Fehlerermvarianz; a5) das Besimmheismaß. b) Welche der unabhängigen Variablen haben einen signifikanen Einfluss auf die Diplomnoe und welche nich (α=5%)? Begründen Sie Ihre Enscheidung. (,5 Punke) c) Berachen Sie die Koeffizienen b, b und b 5. (6 Punke) c) Angenommen Suden A war im Vordiplom um 5 Noeneinheien, d.h. eine halbe Noe besser als Suden B. Was erwaren Sie, um wie viele Noeneinheien wird A im Diplom besser als B sein, wenn A und B ansonsen in allen Merkmalen übereinsimmen? Begründen Sie.
2 c) Angenommen Suden C und Suden D simmen in allen Merkmalen überein, außer dass C aus Bayern samm und D nich. Wenn D als Diplomnoe eine,0 ha, welche Diplomnoe erwaren Sie dann für C? Begründen Sie. c3) Was gib der Koeffizien b an? Inerpreieren Sie. d) Mi einem Inerakionserm kann der gemeinsame Einfluss von zwei Merkmalen unersuch werden. Nennen Sie zwei sinnvolle Inerakionserme, die die Miarbeierin in das obige Modell aufnehmen könne und inerpreieren Sie diese inhallich. (4 Punke) e) Eine häufig genanne Annahme bei Regressionsschäzungen is die der Normalvereilung. Der Jarque- Bera-Tes biee eine Möglichkei, diese zu überprüfen. (7 Punke) e) Beschreiben Sie kurz, was die Normalvereilungsannahme aussag und warum sie nowendig is. e) Mi welchem R-Befehl rufen Sie den Jarque-Bera-Tes für das obige Modell auf? e3) Der Jarque-Bera-Tes aus e) liefer folgenden Oupu: Jarque Bera Tes Chi-squared = , df =, p-value = Begründen Sie kurz, ob die Normalvereilungsannahme hier als erfüll berache werden kann oder nich (α=5%). f) Die Miarbeierin vermue, dass es für die Diplomnoe auch eine Rolle spiel, ob ein Sudierender Saisik als Schwerpunkfach im Haupsudium gewähl hae (Variable Sa, ja=, nein=0). Sie schäz dazu das obige Modell zusäzlich separa für Saisiker und Nich-Saisiker. Die jeweiligen ANOVA-Tabellen sind im Folgenden angegeben (Tabelle : nur Saisiker, Tabelle : nur Nich-Saisiker, Tabelle 3: Saisiker und Nich-Saisiker zusammen). Führen Sie einen Chow-Tes auf dem 5%-Niveau durch. Geben Sie dabei auch die Null- und Alernaivhypohese, die Tessaisik, die Vereilung der Tessaisik und die Ablehnungsregion an. Inerpreieren Sie das Ergebnis. (9 Punke) Tabelle : Analysis of Variance Table Response: DNoe[Sa==] Df Sum Sq Mean Sq F value Pr(>F) VDNoe[Sa==] e-05 *** log(sem)[sa==] * Aler[Sa==] Sex[Sa==] BY[Sa==] Residuals Tabelle : Analysis of Variance Table Response: DNoe[Sa==0] Df Sum Sq Mean Sq F value Pr(>F) VDNoe[Sa==0] e- *** log(sem)[sa==0] Aler[Sa==0] Sex[Sa==0] BY[Sa==0] Residuals Tabelle 3: Analysis of Variance Table Response: DNoe Df Sum Sq Mean Sq F value Pr(>F) VDNoe e-6 *** log(sem) ** Aler Sex BY * Residuals g) Ein bei der Schäzung von Regressionsmodellen häufig aufreendes Phänomen is die sog. Auokorrelaion. (,5 Punke) g) Erläuern Sie kurz verbal und formal, was man uner Auokorrelaion verseh. g) Nennen Sie zwei Konsequenzen von Auokorrelaion für KQ-Schäzer.
3 g3) Die Miarbeierin unersell die Güligkei des AR()-Modells. Sie ruf in R mi > dwes(lm(dnoe ~ VDNoe + log(sem) + Aler + Sex + BY, alernaive = c("greaer")) einen Durbin-Wason-Tes auf und erhäl dabei folgendes Ergebnis: Durbin-Wason es daa: lm(dnoe ~ VDNoe + log(sem) + Aler + Sex + BY) DW =.43, p-value = 5.57e-05 alernaive hypohesis: rue auocorrelaion is greaer han 0 Geben Sie für diesen Tes die Null- und Alernaivhypohese an und begründen Sie, ob Auokorrelaion vorlieg oder nich. g4) Hilf Ihnen die Kennnis des vorliegenden AR()-Parameers bei der Vorhersage der abhängigen Variablen für die nächse Beobachung, T = 0. Begründen Sie Ihre Anwor. Aufgabe : [0 Punke] Welche Anwor is richig? Bie kreuzen Sie die zureffende Anwor an. Zu jeder Frage gib es nur eine richige Anwor. Für jede korrek angekreuze Anwor gib es Punk, für jede falsch angekreuze Anwor wird Punk abgezogen. Die Gesampunkzahl kann nich negaiv werden.. Ein Daaframe unerscheide sich von einer Marix dadurch, dass eine Marix nich mehrere Variablen enhalen kann. eine Marix nur Vekoren des gleichen Daenyps enhalen darf. eine Marix überhaup kein R-Objek is.. Welche Aussage is korrek? In R is das Dezimalrennzeichen das Komma. R unerscheide zwischen Groß- und Kleinschreibung. In R werden Befehlszeilen mi einem Punk abgeschlossen. 3. Mi welchem der folgenden Befehle berechne man in R den arihmeischen Mielwer der Elemene des Vekors x? > mean(x) > mw(x) > middle(x) 4. Mi welchem der folgenden R-Befehle konrollier man für den quadrieren Wer der Variable x? > lm(y~w+i(x^)+z) > lm(y~w+x^+z) > lm(y~w+x*x+z) 5. Welche Kennzahl der Häufigkeisvereilung der Elemene des Vekors x berechne man mi dem R-Befehl > sum(x)/lengh(x)? Sandardabweichung Median arihmeischen Mielwer 3
4 6. Welchen Wer berechne man mi folgender Formel (y is die abhängige Variable einer linearen Regression): > sum((y mean(y))^)? SSE SSR SST Mi welchem R-Befehl besimm man den kriischen Wer einer F-Vereilung mi 8 und Freiheisgraden bei einem Signifikanzniveau von 5%? > pf(0.05,8,) > qf(0.05,8,) > qf(0.95,8,) Welche Schreibweise des Befehls > read.able() is korrek, um den Daensaz Daen.x einzulesen? > read.able( C:\Sudien\Daen.x,header=T) > read.able( C:/Sudien/Daen.x,header=T) > read.able( C:/Sudien/Daen,header=T) Sie wollen die Wahrscheinlichkei dafür berechnen, dass eine mi 5 Freiheisgraden -vereile Zufallsvariable höchsens den Wer 0,6 annimm. Mi welchem R-Befehl erhalen Sie das richige Ergebnis? > d(0.6,5) > p(0.6,5) > p(0.6,5) p(0,5) Mi welchem der folgenden Parameer des Befehls > plo() ändern Sie die Beschrifung der y-achse? ylab ylim yaxis Aufgabe 3: In R wurde folgende Funkion programmier: [ Punke] > auswerung = funcion(x,y) { r = cor(x,y) reg=lm(y~x) plo(x,y) abline(reg) reurn(r) } Der Daensaz, auf den diese Funkion angewende werden soll, enhäl die beiden Variablen x und y, die die folgenden Ausprägungen haben: x y
5 a) Mi welchen Befehlen geben Sie diesen Daensaz in R ein? b) Welche Ergebnisse gib R bei folgenden Befehlen aus? b) > x[] b) > x[y==-4] b3) > x[y<6] c) Welchen Befehl müssen Sie in R eingeben, um die Funkion für den gegebenen Daensaz auszuführen? d) Geben Sie alle Ausgaben an, die mi dieser Funkion für den Daensaz erzeug werden. Aufgabe 4: [5 Punke] Wahr oder falsch? Tragen Sie für jede der folgenden Aussagen ein w für wahr oder ein f für falsch ein. Für jede richige Anwor gib es Punk, für jede falsche Anwor wird Punk abgezogen. Die Gesampunkzahl kann nich negaiv werden. Die Grundidee des F-Tess beseh darin, den Erklärungsgehal unerschiedlicher Modelle zu vergleichen. Immer wenn enweder kaegorische erklärende Variablen oder Dummyvariablen im linearen Modell berache werden, muss eine Referenzgruppe gebilde werden. Nimm eine Zufallsvariable einen beliebigen Wer (z.b. x = ) an, so is der an dieser Selle berechnee Wer der Wahrscheinlichkeisfunkion größer als der der Wahrscheinlichkeisdichefunkion. Beim Laspeyres-Index ensprich das Produk von Preis- und Mengenindex der Umsazmesszahl. n Der Ausdruck ( xi x ) gil nur für seige Zufallsvariablen. i= Eine Vorhersage auf Basis eines linearen Modells is genau dann unverzerr, wenn der Erwarungswer des Vorhersagefehlers 0 beräg. Der KQ Schäzer is inkonsisen, wenn cov(x,e) = 0. Der Herfindahl-Index is ein absolues Konzenraionsmaß. Empirisches Arbeien läss sich mi den Forderungen des kriischen Raionalismus nach Falsifikaion von Theorien begründen. Der KQ-Schäzer is (asympoisch) normalvereil. Erwarungswer und Varianz der Chi -Vereilung sind idenisch. Das Gauss-Markov-Theorem mach keine Aussage zu nichlinearen Schäzverfahren. Der Chow-Tes benuz die F-Vereilung. Im linearen Modell gib die Regressionskonsane den Mielwer der abhängigen Variablen an. Auf der Haupdiagonale der Varianz-Kovarianz Marix der geschäzen Parameer befinden sich ausschließlich die Varianzen der einzelnen Parameer. Die gemeinsame Dichefunkion zweier unabhängiger Zufallsvariablen unerscheide sich von der gemeinsamen Dichefunkion zweier korrelierer Zufallsvariablen. 5
6 Bei Auokorrelaion erser Ordnung in den Fehlerermen eines linearen Modells läss sich ein effiziener KQ Schäzer gewinnen, wenn die Daen vor der Schäzung ransformier werden. Grundidee des KQ Schäzers is, eine Linie so durch eine Punkwolke zu legen, dass die Summe der quadrieren horizonalen Abweichungen der beobacheen Were von der Linie minimier wird. Sobald heeroskedasische Fehlererme vorliegen, is der KQ Schäzer ineffizien. Unverzerre Schäzer der Sörermvarianz erhäl man nur, wenn die Freiheisgrade als T K berechne werden, wobei T die Anzahl der Beobachungen und K die Anzahl der geschäzen Parameer (inklusive der Konsanen) is. Zu den Mehoden saisischer Inferenz gehören das Schäzen, das Tesen und das Vorhersagen. Um zu prüfen, ob eine erklärende Variable signifikan is, die als Polynom drier Ordnung in der Regression berücksichig wurde, solle der F-Tes genuz werden. Bei linearen Regressionen wird die Schäzgüe mi dem Wer des R gemessen. Je größer der Gini-Koeffizien, umso gleichmäßiger die Vereilung. Wenn a eine Konsane is und Y eine Zufallsvariable, dann gil Var(Y-a) = Var(Y). Aufgabe 5: [0 Punke] Welche Anwor is richig? Bie kreuzen Sie die zureffende Anwor an. Zu jeder Frage gib es nur eine richige Anwor. Für jede korrek angekreuze Anwor gib es Punk, für jede falsch angekreuze Anwor wird Punk abgezogen. Die Gesampunkzahl kann nich negaiv werden.. Wenn c eine Konsane is und X und Y Zufallsvariablen sind, dann is die Varianz von (cx Y) c Var(X) Var (Y) c Var(X Y) c Var(X) + Var(Y) c Cov(X,Y). Um mi Hilfe eines linearen KQ Schäzers Koeffizienen zu gewinnen, die als Elasiziäen von Y hinsichlich X inerpreier werden können, muss man die erklärende Variable X als Polynom zweier Ordnung schäzen. die abhängige Variable Y logarihmier berachen. abhängige und erklärende Variable (Y und X) in logarihmierer Form berachen. 3. KQ Parameerschäzer sind Zufallsvariablen, weil sie als gewichee Summe von Zufallsvariablen beschrieben werden können. das Schäzverfahren keine exaken Were ergib. Inervallschäzer keine präzise Inerpreaion zulassen. 4. Bei einem Hypohesenes is die Ablehnungsregion umso größer, je niedriger das Signifikanzniveau. unabhängig von der Typ-I Fehlerwahrscheinlichkei. abhängig von der Anzahl der Beobachungen. 6
7 5. Eine Division der erklärenden Variable X k durch den Fakor a führ zu einem um den Fakor a reduzieren Parameerschäzwer für β k. einem um den Fakor a erhöhen Parameerschäzwer für β k. um den Fakor a erhöhen Schäzweren für alle Seigungsparameer des Modells. 6. Die Präzision der Schäzung eines Seigungsparameers is umso höher, je weniger Beobachungen vorliegen. je mehr Parameer geschäz werden. je größer die Sreuung der erklärenden Variable. 7. Ausgelassene relevane erklärende Variable führen dann nich zu verzerren Parameerschäzern, wenn die ausgelassene Variable mi dem Sörerm korrelier is. wenn die Sandardfehler heeroskedasisch sind. wenn die ausgelassene Variable mi den berücksichigen Variablen nich korrelier is. 8. Der Goldfeld-Quand Tes überprüf, ob aufeinander folgende Sörerme des Modells mieinander korrelier sind. ha T-K Freiheisgrade. wird in der Regel als einseiiger Tes durchgeführ. 9. Bei gegen unendlich konvergierender Sichprobengröße konvergier der Inervallschäzer der Seigungsparameer gegen das Signifikanzniveau. konvergier die Varianz des KQ Schäzers gegen Null. konvergier das R gegen Ein RESET Tes mi quadrieren und kubischen vorhergesagen Weren ( ŷ und ŷ ) der abhängigen Variable ergib eine Tessaisik von 4,8 mi einem p-wer von 0,067. Dies bedeue: Das Modell solle in logarihmierer Form geschäz werden. Am Signifikanzniveau von 0% wird H 0 nich verworfen. Am Signifikanzniveau von 5% is das Modell nich fehlspezifizier. Aufgabe 6: [8 Punke] Brada und Graves argumenieren in ihrem 998 erschienen Arikel The Slowdown in Sovie Defense Expendiures (Souhern Economic Journal, ), dass die sowjeischen Ausgaben für Vereidigung eine Funkion des sowjeischen Bruosozialproduks und der Vereidigungsausgaben der USA seien. Weniger sicher waren sie sich über den Einfluss der Anzahl sowjeischer Nuklearsprengköpfe im Vergleich zur Anzahl US-amerikanischer Nuklearsprengköpfe. Um ihre Hypohesen zu überprüfen, verwenden sie Jahresdaen von 960 bis 984 und schäzen zwei Modellspezifikaionen: ln( SDH ) ln( USD ) ln( SY ) e = β + β + β + 0 ln( SDH ) = β + β ln( USD ) + β ln( SY ) + β ln( SP ) + e () 0 3 wobei SDH : Sowjeische Vereidigungsausgaben im Jahr (in 970 Mrd. Rubel, Schäzung durch die CIA) USD : US-amerikanische Vereidigungsausgaben im Jahr (in 980 Mrd. US$) () 7
8 SY : SP : sowjeisches Bruosozialproduk im Jahr (in 970 Mrd. Rubel) Verhälnis der Anzahl sowjeischer Nuklearsprengköpfe zur Anzahl US-amerikanischer Nuklearsprengköpfe Die Schäzung von Spezifikaion () mi R liefer folgende Ergebnisse: Call: lm(formula = log(sdh) ~ log(usd) + log(sy)) Coefficiens: Esimae Sd. Error value Pr(> ) (Inercep) e-05 *** log(usd) log(sy) < e-6 *** --- Signif. codes: 0 '***' 0.00 '**' 0.0 '*' 0.05 '.' 0. ' ' Residual sandard error: on degrees of freedom Muliple R-Squared: , Adjused R-squared: F-saisic: 505. on and DF, p-value: <.e-6 Die Schäzung von Spezifikaion () mi R liefer sodann folgenden Oupu: Call: lm(formula = log(sdh) ~ log(usd) + log(sy) + log(sp)) Coefficiens: Esimae Sd. Error value Pr(> ) (Inercep) * log(usd) log(sy) e- *** log(sp) Signif. codes: 0 '***' 0.00 '**' 0.0 '*' 0.05 '.' 0. ' ' Residual sandard error: on degrees of freedom Muliple R-Squared: 0.985, Adjused R-squared: F-saisic: 37. on 3 and DF, p-value: <.e-6 a) Welche der beiden Spezifikaionen würden Sie bevorzugen? Begründen Sie kurz. ( Punke) b) Aus den Schäzergebnissen lassen sich weierhin folgende Angaben ermieln: (6 Punke) T Spezifikaion (): ee ˆˆ und ; = eˆ = = T T = Spezifikaion (): ee ˆˆ = 0.09 und eˆ = = T = b) Berechnen Sie die Auokorrelaionskoeffizienen ρ () und ρ ( ) für AR() Sörermprozesse e und e. b) Berechnen Sie weierhin die (approximaiven) Durbin-Wason-Saisiken d () und d und esen ( ) Sie auf dem 5%-Signifikanzniveau auf posiive Auokorrelaion erser Ordnung. Geben Sie hierzu auch die Nullhypohese, die Alernaivhypohese sowie die Freiheisgrade sowie die jeweiligen kriischen Were an. c) Modell-Spezifikaion () wird erneu geschäz uner Verwendung der verzögeren abhängigen Variablen (y - ) als zusäzliche erklärende Größe: Die Durbin-Wason Tes-Saisik beräg.85, ein Langrange Muliplier Tes ha eine Tes-Saisik von Lieg hier Auokorrelaion erser Ordnung vor? Begründen Sie Ihre Anwor. Skizzieren Sie zudem kurz die Vorgehensweise des Lagrange Muliplier Tess. (6 Punke) d) Zeigen Sie allgemein, dass e homoskedasisch is, wenn ein AR() Sörermprozess der Form e = ρe + υ gegeben is, für den gil: E( e ) = 0 ; E ( υ ) = 0 ; Var ( υ ) = σ ; Cov( υ, υ ) = 0, υ s für s. (4 Punke) 8
( ) a) Berechnen Sie unter Angabe des Rechenwegs die im Output fehlenden Werte für (5 Punkte) a1) den t-wert für b 1 ; t 0.099
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina. Riphahn, Ph.D. Muserlösung zur Diplomvorprüfung Saisik II Einf. Ökonomerie im S 05/06 korrigiere Fassung v. 7.06.007 Aufgabe : [45 Punke] Eine
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Baseler Zwischenklausur im WS 02/03
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina T. Riphahn, Ph.D. Muserlösung zur Baseler Zwischenklausur im S 0/0 Aufgabe 1: [1] Mi den Daen von 177 Miewohnungen einer Schweizer Sad wurde
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Baseler Abschlussklausur im WS 02/03
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina T. Riphahn, Ph.D. Muserlösung zur Baseler Abschlussklausur im S 0/03 Aufgabe 1: [] Sie wollen die Skifahrgewohnheien von innen und Schweizern
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Diplomvorprüfung Statistik II Einf. Ökonometrie im WS 07 / 08
Lehrsuhl für Saisik und emp. Wirschafsforschung, Prof. R. T. Riphahn, Ph.D. Diplomvorprüfung Saisik II Einf. Ökonomerie im WS 07 / 08 Aufgabe 1: (20 Punke) Sie sind am Konsumverhalen in Ihrem persönlichen
MehrDiplomvorprüfung im Fach Statistik II im SS Aufgabenteil
Lehrsuhl für Saisik und empirische Wirschafsforschung Prof. Regina T. Riphahn, Ph.D. Diplomvorprüfung im Fach Saisik II im SS 2006 - Aufgabeneil Name, Vorname Marikelnr. Sudiengang Semeser Daum 07.08.2006
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Baseler Abschlussklausur im WS 04/05
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina T. Riphahn, Ph.D. Muserlösung zur Baseler Abschlussklausur im S 04/05 Aufgabe : Als wissenschaflicher Miarbeier eines Schlafinsius versuchen
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Diplomvorprüfung Statistik II Einf. Ökonometrie im WS 07 / 08
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. R. T. Riphahn, Ph.D. Diplomvorprüfung Saisik II Einf. Ökonomerie im S 7 / 8 Aufgabe : ( Punke) Sie sind am Konsumverhalen in Ihrem persönlichen Umfeld
MehrAufgaben: Repetition Ökonometrie I - Lösungen
Ökonomerie I - Peer Salder Aufgaben: Repeiion Ökonomerie I - Lösungen Aufgabe (Radiowerbung für Kino): Die Schäzung der Regressionsgleichung U W u U : Wochenumsaz, W : Werbeausgaben ergib: 000, 07., SE
MehrKurzrepetition Ökonometrie I - Lösungen
. Einführung Ökonomerie II - Peer Salder Kurzrepeiion Ökonomerie I - Lösungen Aufgabe (Inerpreaion von Regressionsergebnissen) a) Der prozenuale Aneil der Varianz der abhängigen Variablen, der durch die
MehrÜbung zu Quantitative Methoden der Marktanalyse. Tests zu den Annahmen der OLS-Schätzung. 1. Annahmen zur OLS-Schätzung. 1. Annahmen zur OLS-Schätzung
Termin Übungsinhal Übung zu Quaniaive Mehoden der Markanalyse Annahmen derols-schäzung 9.06.009 9.06.009 Tess zu den Annahmen der OLS- Schäzung 06.07.009 Klausurvorbereiung.07.009 Klausurvorbereiung 0.07.009
Mehr= (Freiheitsgrade = T - Anzahl der geschätzten Parameter = = 565)
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina. Riphahn, Ph.D. Muserlösung zur Diplomvorprüfung Saisik II Einf. Ökonomerie im SS 06 Aufgabe : [0 Punke] Sie führen eine Regression der Arbeisnachfrage
MehrEinfache lineare Regression: Übung 2
3. Einfache lineare Regression Ökonomerie I - Peer Salder 1 Einfache lineare Regression: Übung Simulaionsexperimen mi künslich generieren Sichproben Wahres Modell (daengenerierender Prozess): y x u mi
MehrAufgabe 1. Die Marktforscher unterstellen folgendes Modell: Die Auswertung der Daten mit R ergab folgenden Output:
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina T. Riphahn, Ph.D. Muserlösung zur Diplomvorprüfung Saisik II Einf. Ökonomerie im SS 05 Aufgabe 1 [46 Punke] Ein Markforschungsunernehmen wurde
MehrBeispiele für Aufgaben in der Ökonometrieklausur in Duisburg
Beispiele für Aufgaben in der Ökonomerieklausur in Duisburg Die Aufgaben sind (z.. modifiziere) asächlich geselle Aufgaben unerschiedlichen Schwierigkeisgrads und daher auch mi unerschiedlicher Punkzahl
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Baseler Abschlussklausur im WS 03/04
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina T. Riphahn, Ph.D. Muserlösung zur Baseler Abschlussklausur im S 03/04 Aufgabe 1: Im Nachlass eines von Sudenen gemeuchelen Ökonomerie-Assisenen
MehrKoeffizienten(a) Modell Koeffizienten T Signifikanz
Lehrsuhl für Saisik und empirische Wirschafsforschung, Prof. Riphahn, Ph.D. Bachelorprüfung, Empirische Wirschafsforschung Fach: Prüfer: Bachelorprüfung Empirische Wirschafsforschung Prof. Regina T. Riphahn,
MehrJohann Wolfgang Goethe-Universität Frankfurt am Main
Johann Wolfgang Goehe-Universiä Frankfur am Main Fachbereich Wirschafswissenschafen Professur für Saisik und Ökonomerie (Empirische Wirschafsforschung) Prof. Dr. Reinhard Hujer Meronsraße 7 Posfach 9 3
MehrA. Multiple Choice Teil der Klausur (22 Punkte)
A. Muliple Choice Teil der Klausur ( Punke) Punk Homoskedasiziä bedeue dass a) Annahme B gil, d.h. dass die geschäzen Sörgrößen û über alle Zeipunke gerechne eine konsane Varianz haben, b) alle wahren
MehrÖkonometrie - Eine Einführung
Ökonomerie - Eine Einführung 5. Auflage Ludwig von Auer 28. März 2011 Inhalsverzeichnis 1 1 Einleiung 1 1.1 BrauchmanÖkonomeriker?... 2 1.2 WasisÖkonomerie?... 2 1.3 DievierAufgabenderÖkonomerie... 3 1.3.1
MehrAufgaben zur Ökonometrie I
Aufgaben zur Ökonomerie I 4. Mulikollineariä 4. Worin beseh das Problem der Mulikollineariä? A. Perfeke Mulikollineariä Perfeke Mulikollineariä lieg dann vor, wenn zwei oder mehrere unabhängige Variable
MehrKlausur SS Teil A: entweder Multiple Choice (hier auf den Seiten 2 bis 6)
Prof. Dr. Peer von der Lippe Klausur SS 0 Die folgenden Seien enhalen die Klausur "Einführung in die ökonomerische Daenanalyse" (ohne Hinweise zur Muserlösung), so wie sie asächlich gesell wurde. Sie besand
MehrAufgaben zur Zeitreihenanalyse (Kap. 4)
Prof. Dr. Reinhold Kosfeld Fachbereich Wirschafswissenschafen Aufgaben zur Zeireihenanalyse (Kap. 4) Aufgabe 4. Warum folg die Dickey-Fuller-Tessaisik nich der bei einem Signifikanzes der Regressionskoeffizienen
MehrLösungen zu den "Aufgaben in der Ökonometrieklausur in Duisburg" 1
ufgabe 4 1 F R 3 R 4 F 5 R 6 R 7 R 8 F 9 R 1 R Die erse Frage mag ewas missversändlich sein (in solchen Fällen ruhig verbal nmerkungen machen): im Modell der Korrelaionsanalyse is y und x eine Zufallsvariable.
MehrZeitreihenökonometrie
Zeireihenökonomerie Kapiel 4 Schäzung univariaer Zeireihenmodelle Y = c+ α Y + + α Y + ε + βε + + β ε p p q q Problem: Direke Schäzung der Parameer α,, αp und β,, βq über OLS nich möglich, da die Residuen
MehrStatistische Analysen am Rechner: Eine Einführung
Saisische Analysen am Rechner: Eine Einführung Diese Rechnerübung soll einen ersen Einblick in das Programm EViews geben. Dafür werden der Akienmarkindex DAX und der Index des Renenmarkes REX für den Zeiraum
MehrMan nimmt einfach eine entsprechende Variable für den Trend in das Regressionsmodell auf (hier die Variable t).
1 Trendbereinigung Trends in den abhängigen und unabhängigen Variablen führen in Zeireihenanalysen aus zweierlei Gründen zu Problemen: (i) Hohe R-Quadra-Were suggerieren einen guen Modellfi und (ii) hohe
MehrRegression, Tests und Problembereiche
Ökonomerie ufgabensammlung 4 Regression, Tess und Problembereiche ufgabe 7 Führen Sie eine Trendberechnung für die Variable y durch: Jahr 996 997 998 999 000 00 00 3 4 5 6 7 y 3 5 5 8 9 0 Berechnen Sie:
MehrTesten von Regressionskoeffizienten bei multipler Regression (ausführlichere Erläuterungen und Zahlenbeispiele) 1
Prof. Dr. Peer von der Lippe (aisik) Januar 7 Universiä Duisburg-Essen, Campus Essen Tesen von Regressionskoeffizienen bei mulipler Regression (ausführlichere Erläuerungen und Zahlenbeispiele). Übersich
Mehr3. Signifikanztests und Konfidenzintervalle 3.1 Signifikanztests über einzelne Regressionskoeffizienten
3. Signifikanzess und Konfidenzinervalle 3.1 Signifikanzess über einzelne Regressionskoeffizienen Wenn das muliple Regressionsmodell mi der ökonomischen Theorie im Einklang seh, is zu erwaren, dass die
MehrEmpirische Wirtschaftsforschung
Empirische Wirschafsforschung Prof. Dr. Bernd Süßmuh Universiä Leipzig Insiu für Empirische Wirschafsforschung Volkswirschafslehre, insbesondere Ökonomerie 6.4. Mulikollineariä a) Das Problem und seine
MehrZeitreihenökonometrie
ifo Insiu für Wirschafsforschung an der Universiä München Zeireihenökonomerie Kapiel 6 Nichsaionäre univariae Zeireihenmodelle ifo Insiu für Wirschafsforschung an der Universiä München Nichsaionäre Prozesse
MehrZeitreihenökonometrie
Zeireihenökonomerie Kapiel 1 - Grundlagen Einführung in die Verfahren der Zeireihenanalyse (1) Typischerweise beginn man mi einer Beschreibung der jeweils zu unersuchenden Zeireihe (graphisch) Trendverhalen,
Mehr5. Heteroskedastizität
5. Heeroskedasiziä 5. Form und Auswirkung In dem muliplen Regressionsmodell is bisher unersell worden, dass die Sörgröße u homoskedasisch is, d.h. in allen Perioden bzw. für alle saisische Einheien die
MehrAufgaben zur Zeitreihenanalyse (Kap. 5)
Prof. Dr. Reinhold Kosfeld Fachbereich Wirschafswissenschafen Aufgaben zur Zeireihenanalyse (Kap. 5) Aufgabe 5.1 Welches Phänomen läss sich mi ARCH-Prozessen modellieren und welche prognosische Relevanz
Mehr7.3. Partielle Ableitungen und Richtungsableitungen
7.3. Parielle Ableiungen und Richungsableiungen Generell vorgegeben sei eine Funkion f von einer Teilmenge A der Ebene R oder allgemeiner des n-dimensionalen Raumes R n nach R. Für x [x 1,..., x n ] aus
MehrÜbung: Autokorrelation
5. Auokorrelaion und Heeroskedasiziä Ökonomerie I - Peer Salder 1 Übung: Auokorrelaion Analyse des Nahrungsmielkonsums in der Schweiz Wir unersuchen die Besimmungsgründe des Nahrungsmielkonsums in der
MehrP. v. d. Lippe Häufige Fehler bei Klausuren in "Einführung in die ökonometrische Datenanalyse" Duisburg
P. v. d. Lippe Häufige Fehler bei Klausuren in "Einführung in die ökonomerische Daenanalyse" Duisburg a) Klausur SS 0 Klausuren SS 0 bis SS 03 akualisier 9. Augus 03. Sehr viele Teilnehmer rechnen einfach
MehrEmpirische Wirtschaftsforschung
Empirische Wirschafsforschung Prof. Dr. Bernd Süßmuh Universiä Leipzig Insiu für Empirische Wirschafsforschung Volkswirschafslehre, insbesondere Ökonomerie 8 Qualiaivvariablen-Modelle Qualiaive Variablen/Merkmale:
Mehr4.1 OLS a) OLS-Schätzung der Koeffizienten der Strukturform
4. Schäzmehoden 4. 4. OLS a) OLS-Schäzung der Koeffizienen der Srukurform OLS liefer verzerre und nich konsisene Schäzungen der Koeffizienen der Srukurform inerdependener Modelle, weil i.a. Sörvariable
Mehr3.2 Autoregressive Prozesse (AR-Modelle) AR(p)-Prozesse
3. Auoregressive Prozesse (AR-Modelle 3.. AR(-Prozesse Definiion: Ein sochasischer Prozess ( heiß auoregressiver Prozess der Ordnung [AR(-Prozess], wenn er der Beziehung (3.. genüg. ( is darin ein reiner
MehrThema 11: Signifikanz von Parametern
Thema 11: Signifikanz von Parameern Zweck Überprüfung, ob Zusammenhang (zwischen Y und X) wirklich gegeben. Y = b + m X, wenn m = 0 wäre, gil Y = b und Y wäre nich von X abhängig kein Zusammenhang Das
MehrA. Multiple Choice Teil der Klausur (22 Punkte) Lösungen jeweils in blauer Schrift
A. Muliple Choice eil der Klausur ( Punke) Lösungen jeweils in blauer chrif Punk Lösung: B Homoskedasiziä bedeue dass a) Annahme B gil, d.h. dass die geschäzen örgrößen û über alle Zeipunke gerechne eine
Mehrwerden in der Ökonometrie bei der Kleinst-Quadrate-Schätzung (OLS-Schätzung) für die Störvariable U die Standardannahmen
5. ARCH- und GARCH-Modelle ARCH-Modelle In dem muliplen Regressionsmodell () Y = β + βx +... + βkx k + U ' Y = x β + U ' mi x = ( x x3... x k ) und β = ( β β... βk ) werden in der Ökonomerie bei der Kleins-Quadrae-Schäzung
MehrMultiple Regression: Übung 1
4. Muliple Regression Ökonomerie I - Peer Salder 1 Muliple Regression: Übung 1 Schäzung einer erweieren Konsumfunkion für die Schweiz Wir unersuchen die Abhängigkei der Konsumausgaben der Schweizer Haushale
MehrAbiturprüfung Mathematik 2009 (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe 1
www.mahe-aufgaben.com Abiurprüfung Mahemaik 009 (Baden-Würemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe. (7 Punke) Das Schaubild P einer Polynomfunkion drien Grades ha den Wendepunk W(-/-) und
Mehr7. Modelle mit qualitativen Variablen
7. Modelle mi qualiaiven Variablen 7. Modelle mi qualiaiven Regressoren Qualiaive Regressoren in ökonomerischen Modellen: - unerschiedliche Präferenzen zwischen verschiedenen Gruppen von Wirschafssubjeken,
MehrDiplomvorprüfung in Statistik II Sommersemester Juli 2005
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Diplomvorprüfung in Statistik II Sommersemester 2005 22. Juli 2005 Aufgabe 1 [46 Punkte] Ein Marktforschungsunternehmen
MehrTeil D: Einführung in die Kointegrationsmethodologie
Teil D: Einführung in die Koinegraionsmehodologie 1. Problem der Scheinregression Makroökonomische Zeireihen (z.b. Oupu, Invesiionen, Beschäfigung) sind ypischerweise rendbehafeee Zeireihen. Bruosozialproduk
MehrIII Wechselkursempirie
III Wechselkursempirie ) Daen /$ Wechselkurs (bzw. DM-Kurs in vor offiziellem Sar des ): monaliche Durchschniswere von Januar 96 bis November 22. 2.2 DM/$ Nominal Exchange Rae (monhly average ) 2..8.6.4.2..8.6
MehrAbituraufgaben Grundkurs 2009 Bayern Analysis I. dt mit D F = R.
Abiuraufgaben Grundkurs 9 Bayern Analysis I I.). Die Abbildung zeig den Graphen G f einer ganzraionalen Funkion f drien Grades mi dem Definiionsbereich D f R. Die in der Abbildung angegebenen Punke P(
Mehr6. Vektorautoregressive Modelle
6. Vekorauoregressive Modelle 6. In bisherigen Modellen Feslegung von exogenen Variablen nowendig. Sreng genommen gib es keine vollsändig exogenen Variablen. Beisiel: Selbs die exogene Anhebung des Leizinssazes
MehrFinancial Analysis Using MATLAB - SoSe 2008
Insiue for Finance & Banking Ludwig-Maximilians-Universiä München Philipp Geiler und Markus Franke Financial Analysis Using MATLAB - SoSe 2008 Hausarbei 1 Bearbeiungszei: 30. April 2008-21. Mai 2008 Arbeisaufrag
Mehr7. Vorlesung Wintersemester
7. Vorlesung Winersemeser Der ungedämpfe Oszillaor mi komplexem Lösungsansaz Wie gezeig, wird die DGL des ungedämpfen Oszillaors mẍ() + kx() = 0 () im Komplexen von den Funkionen x () = e iω und x 2 ()
MehrEinführung in die Ökonometrie
Maerialien zur Vorlesung Einführung in die Ökonomerie Sommersemeser 5 Prof. Dr. Klaus Neusser Universiä Bern Einführung in die Ökonomerie Inhal Einführung 4. Einige Lehrbücher 6. Einige ökonomerische Programmpakee
MehrZeit (in h) Ausflussrate (in l/h)
Aufgabe 6 (Enwicklung einer Populaion): (Anforderungen: Inerpreaion von Schaubildern; Inegralfunkion in der Praxis) Von einer Populaion wird - jeweils in Abhängigkei von der Zei - die Geburenrae (in Individuen
MehrZwei Rechenbeispiele für die einfache lineare Regression
Einfache Regression mi Ecel Prof. Dr. Peer von der Lippe Zwei Rechenbeispiele für die einfache lineare Regression 1.1. Daen 1. Mindeslöhne Beispiel 1 Ennommen aus Rolf Ackermann, pielball des Lobbyisen,
MehrAnalyse zeitabhängiger Daten. Zeitreihenanalyse II
Analyse zeiabhängiger Daen Zeireihenanalyse II Warum geh es in den folgenden Sizungen? Zeireihen Daum 04.04.07 11.04.07 18.04.07 25.04.07 02.05.07 09.05.07 16.05.07 23.05.07 30.05.07 06.06.07 13.06.07
MehrAufgaben zur Zeitreihenanalyse (Kap. 3)
Prof. Dr. Reinhold Kosfeld Fachbereich Wirschafswissenschafen Aufgaben zur Zeireihenanalyse (Kap. Aufgabe. Was verseh man uner einem sochasischen Prozess? Ein sochasischer Prozess is eine zeiliche Folge
MehrDifferentialgleichungen
Ein einfaches Modell (Domar) Im Domar Wachsumsmodell reffen wir die folgenden Annahmen: Kapiel Differenialgleichungen () Erhöhung der Invesiionsrae I() erhöh das Einkommen Y(): dy d = s di (s = konsan)
MehrABITURPRÜFUNG 2002 LEISTUNGSFACH MATHEMATIK (HAUPTTERMIN)
ABITURPRÜFUNG 00 LEISTUNGSFACH MATHEMATIK (HAUPTTERMIN) Arbeiszei: Hilfsmiel: 70 Minuen Taschenrechner (nich programmierbar, nich grafikfähig) Tafelwerk Der Prüfungseilnehmer wähl von den Aufgaben A1 und
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Saisik II Übung 4: Skalierung und asympoische Eigenschafen Diese Übung beschäfig sich mi der Skalierung von Variablen in Regressionsanalysen und mi asympoischen Eigenschafen von OLS. Verwenden Sie dazu
MehrProf. Dr. W. Zucchini 06 Wiederholung Kap. 1-4 Zeitreihenanalyse Sommer 2003
Prof. Dr. W. Zucchini 06 Wiederholung Kap. 1-4 Zeireihenanalyse Sommer 2003 I.) Klassische Zeireihenanalyse Komponenen einer Zeireihe: Trend- (u. Zyklus), Saison- und Residualkomponene Addiive und muliplikaive
MehrLösungshinweise zu den Hausaufgaben:
P. Engel, T. Pfrommer S. Poppiz, Dr. I. Rbak 8. Gruppenübung zur Vorlesung Höhere Mahemaik Sommersemeser 9 Prof. Dr. M. Sroppel Prof. Dr. N. Knarr Lösungshinweise zu den Hausaufgaben: Aufgabe H. Konvergenzverhalen
MehrKapitel : Exponentiell-beschränktes Wachstum
Wachsumsprozesse Kapiel : Exponeniell-beschränkes Wachsum Die Grundbegriffe aus wachsum.xmcd werden auch hier verwende! Wir verwenden nun eine Angabe aus der Biologie und in einem weieren Beispiel eines
MehrLean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
MehrProf. Regina T. Riphahn, Ph.D. WS 04/05 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 24. Februar 2005,
Prof. Regina T. Riphahn, Ph.D. WS 4/5 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 24. Februar 25, 9.-1.3 Uhr Erlaubte Hilfsmittel: Tabelle der statistischen Verteilungen, 4 DIN
MehrMathematische Methoden der klassischen Physik Zusammenfassung Differentialgleichungen
Dr. G. Lechner Mahemaische Mehoden der klassischen Physik Zusammenfassung Differenialgleichungen In der Vorlesung wurden drei unerschiedliche Typen von Differenialgleichungen (DGL) besprochen, die jeweils
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Sequenzanalyse
Universiä Posdam Insiu für Informaik Lehrsuhl Maschinelles Lernen Sequenzanalyse Michael Brückner (Verreung) Chrisoph Sawade/Niels Landwehr Paul Prasse Tobias Scheffer Lieraur Klaus Neusser: Zeireihenanalyse
MehrAltersvorsorge Zwischenresultate März Institut für Politikwissenschaft
Insiu für Poliikwissenschaf Alersvorsorge 2020 Zwischenresulae März 2017 Prof. Dr. Silja Häusermann Dr. Denise Traber Thomas Kurer MA Michael Pinggera BA Insiu für Poliikwissenschaf Lehrsuhl für Schweizer
MehrStatistik I (Sozialwissenschaften)
Dr. Hans-Ofried Müller Insiu für Mahemaische Sochasik Fachrichung Mahemaik Technische Universiä Dresden hp://www.mah.u-dresden.de/so/mueller/ Saisik I (Sozialwissenschafen) 2. Rechenübung, WS 2014/2015,
MehrMathematik: Mag. Schmid Wolfgang Arbeitsblatt 6 5. Semester ARBEITSBLATT 6 PARAMETERDARSTELLUNG EINER GERADEN
ARBEITSBLATT PARAMETERDARSTELLUNG EINER GERADEN Eine Gerade sell man im R ensprechend zum R auf, nur daß eine z-koordinae hinzukomm: Definiion: Parameerdarsellung einer Gerade durch die Punke A und B:
MehrAufgaben zur Ökonometrie I
Aufgabe zur Ökoomerie I 3. Sigifikazess ud Kofideziervalle 3. Wie groß is der Sadardfehler der Regressio vo GASV auf VEINKR ( Eergiemodell Ib, s. Ergebisse i Aufgabe.8) (mi Ierpreaio)? Der Sadardfehler
MehrAuswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
MehrGrenzwertsätze für Zeitreihen
KAPIEL 6 Grenzwersäze für Zeireihen In diesem Kapiel sellen wir wichige Grenzwersäze für saionäre Zeireihen {X n } in diskreer Zei zusammen. Sei µ = E(X ) und ρ(k) = E(X 1 µ)(x 1+k µ) = Cov (X 1, X 1+k
MehrStationarität/Ergodizität
Empirische Mehoden (MA) SS 011 Übungsbla 3 Willi Muschler willi.muschler@uni-muenser.de Saionariä/Ergodiziä 1. Beanworen Sie folgende Fragen: (a) Was verseh man uner einem sochasischen Prozess, was uner
MehrSystemtheorie Teil A. - Zeitkontinuierliche Signale und Systeme - Musterlösungen. Manfred Strohrmann Urban Brunner
Sysemheorie eil A - Zeikoninuierliche Signale und Syseme - Muserlösungen Manfred Srohrmann Urban Brunner Inhal 3 Muserlösungen - Zeikoninuierliche Syseme im Zeibereich 3 3. Nachweis der ineariä... 3 3.
MehrKarlsruher Institut für Technologie (KIT) Institut für Analysis Dr. A. Müller-Rettkowski Dipl.-Math. M. Uhl. Sommersemester 2011
Karlsruher Insiu für Technologie KIT) Insiu für Analysis Dr. A. Müller-Rekowski Dipl.-Mah. M. Uhl Sommersemeser Höhere Mahemaik II für die Fachrichungen Elekroingenieurwesen und Physik inklusive Komplee
MehrWorkshop Monetäre Ökonometrie. zur Vorlesung Theorie der Geldpolitik von Prof. G. Illing
Julian von Landesberger 4.06.007 Workshop Moneäre Ökonomerie zur Vorlesung heorie der Geldpoliik von Prof. G. Illing Gliederung I Grundlagen Das OLS-Schäzverfahren Einige wichige Begriffe Saisische Prozesse
MehrAbiturprüfung Mathematik 2012 (Baden-Württemberg) Berufliche Gymnasien Analysis, Aufgabe 1
Abiurprüfung Mahemaik 0 (Baden-Würemberg) Berufliche Gymnasien Analysis, Aufgabe. (8 Punke) Die Abbildung zeig das Schaubild einer Funkion h mi der Definiionsmenge [-7 ; 4]. Die Funkion H is eine Sammfunkion
MehrUniversität Ulm Samstag,
Universiä Ulm Samsag, 5.6. Prof. Dr. W. Arend Robin Nika Sommersemeser Punkzahl: Lösungen Gewöhnliche Differenialgleichungen: Klausur. Besimmen Sie die Lösung (in möglichs einfacher Darsellung) folgender
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 8: Zeitreihenanalyse
Vorlesung 8: Zeireihenanalyse 1. Was is besonders an Zeireihen? 2. Unabhängige Beobachungen bei Zeireihen? 3. Regressionsmodelle für Zeireihen 4. Zufall und Zeireihen 5. Schäzung von Regressionsmodellen
MehrMotivation: Sampling. (14) Sampling. Motivation: Sampling. Beispiele. Beispiel Kreisscheibe. Beispiel: Kreisscheibe
Moivaion: Sampling (4) Sampling Vorlesung Phoorealisische Compuergraphik S. Müller Ein naiver (und sehr eurer) Ansaz, die Rendering Equaion mi Hilfe eines Rayracing-Ansazes zu lösen, wäre wird eine diffuse
MehrAntwortbogen zur Klausur im Fach Entscheidungstheorie, Wahrscheinlichkeit und Risiko (Teil B) Aufgabe Gesamtpunkte Note
Oo-von-Guericke Universiä Magdeburg Fakulä für Wirschafswissenschaf Lehrsuhl für empirische Wirschafsforschung & Gesundheisökonomie Anworbogen zur Klausur im Fach Enscheidungsheorie, Wahrscheinlichkei
MehrLösung - Serie 8. D-MAVT/D-MATL Analysis I HS 2018 Dr. Andreas Steiger. MC-Aufgaben (Online-Abgabe) 1. Was für eine Kurve stellt die Parametrisierung
D-MAVT/D-MATL Analysis I HS 018 Dr. Andreas Seiger Lösung - Serie 8 MC-Aufgaben Online-Abgabe 1. Was für eine Kurve sell die Paramerisierung sin1 r = cos1, R dar? a Ein Kreis. Es gil x + y = sin 1 + cos
MehrAbiturprüfung 2017 ff Beispielaufgabe Grundkurs Mathematik; Analysis Beispiel Wirkstoff
Die Bioverfügbarkei is eine Messgröße dafür, wie schnell und in welchem Umfang ein Arzneimiel resorbier wird und am Wirkor zur Verfügung seh. Zur Messung der Bioverfügbarkei wird die Wirksoffkonzenraion
MehrLehrstuhl für Finanzierung
Lehrsuhl für Finanzierung Klausur im Fach Finanzmanagemen im Winersemeser 1998/99 1. Aufgabe Skizzieren Sie allgemein die von Kassenhalungsproblemen miels (sochasischer) dynamischer Programmierung! Man
MehrArbitragefreie Preise
Arbiragefreie Preise Maren Schmeck 24. Okober 2006 1 Einleiung P i () Preis von Anleihe i zur Zei, i = 1,..., n x i Anzahl an Einheien der Anleihe i V () = n i=1 x ip i () Wer eines Porfolios mi x i Einheien
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
MehrÜbungsaufgaben zur Entwicklung der Geburten in Deutschland (Excel, EViews)
Prof. Dr. Peer von der Lippe (Übungsbeispiel F) Übungsaufgaben zur Enwicklung der Geburen in Deuschland (Excel, EViews) (auch Hinweise zur Konfidenzellipse und den "Diagnosic Tess", d.h. den Annahmen B
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
MehrGanzrationale Funktionenscharen. 4. Grades. Umfangreiche Aufgaben. Lösungen ohne CAS und GTR. Alle Methoden ganz ausführlich. Datei Nr.
Ganzraionale Funkionenscharen. Grades Umfangreiche Aufgaben Lösungen ohne CAS und GTR Alle Mehoden ganz ausführlich Daei Nr. 7 Sand 3. Sepember 06 FRIEDRICH W. BUCKEL INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK
MehrV1 - Poisson-Statistik
V1 - Poisson-Saisik Michael Baron, Sven Pallus 03. Mai 2006 Inhalsverzeichnis 1 Aufgabensellung 1 2 Theoreischer Hinergrund 2 2.1 Geiger-Müller-Zählrohr...................... 2 2.2 Poisson-Vereilung........................
MehrVersicherungstechnik
Operaions Research und Wirschafsinformaik Prof. Dr. P. Rech // Marius Radermacher, M.Sc. DOOR Aufgabe 42 Versicherungsechnik Übungsbla 13 Abgabe bis zum Diensag, dem 24.01.2017 um 10 Uhr im Kasen 19 Überschüsse
MehrMathematik: Mag. Schmid Wolfgang Arbeitsblatt Semester ARBEITSBLATT 11 LAGEBEZIEHUNG DREIER EBENEN
Mahemaik Mag. Schmid Wolfgang Arbeisbla. Semeser ARBEITSBLATT LAGEBEZIEHUNG DREIER EBENEN Nachdem wir die Lage weier Ebenen unersuch haben, wollen wir uns nun mi der Lage von drei Ebenen beschäfigen. Anders
Mehrepg = read.table(file.path(pfadu, "epg.txt")) amp = read.table(file.path(pfadu, "dbdauer.txt"))
Kovarianz, Korrela-on, (lineare) Regression Jonathan Harrington & Ulrich Reubold library(laece) epg = read.table(file.path(pfadu, "epg.txt")) amp = read.table(file.path(pfadu, "dbdauer.txt")) Kovarianz,
MehrElementare Lösungsmethoden für gewöhnliche Differentialgleichungen
454 Erforderliche Kennnisse: Höhere Analysis Elemenare Lösungsmehoden für gewöhnliche Differenialgleichungen Was is eigenlich eine Differenialgleichung? Eine Differenialgleichung is eine Gleichung, in
MehrÜbungsaufgaben zu Kapitel 1: Offene Güter- und Finanzmärkte
Kapiel 1 Übungsaufgaben zu Kapiel 1: Offene Güer- und Finanzmärke Übungsaufgabe 1-1 1-1 Berachen Sie zwei Werpapiere, das eine wird in Deuschland in Euro emiier, das andere in den USA in Dollar! Nehmen
Mehr3.4 Systeme linearer Differentialgleichungen
58 Kapiel 3 Invarianen linearer Transformaionen 34 Syseme linearer Differenialgleichungen Die Unersuchung der Normalformen von Marizen soll nun auf die Lösung von Differenialgleichungssysemen angewende
Mehr