1. (Alles folgende gilt auf dem in der Aufgabenstellung vorausgesetzten 5%-Signi kanzniveau):

Größe: px
Ab Seite anzeigen:

Download "1. (Alles folgende gilt auf dem in der Aufgabenstellung vorausgesetzten 5%-Signi kanzniveau):"

Transkript

1 Übung zur Vorlesung Ökonometrie Masterstudiengang Wintersemester 215/16 Lösungshinweise zu Aufgabenblatt 8 1. (Alles folgende gilt auf dem in der Aufgabenstellung vorausgesetzten 5%-Signi kanzniveau): (a) Falsch, Nullhypothese ist Freiheit von Autokorrelation. (b) Richtig. (c) Falsch, das Ergebnis deutet auf Homoskedastizität, so dass keine robusten Standardfehler benötigt werden. (d) Falsch, der R 2 ist 1 SSRSS :75, und somit ist F R2 1 R :25 33:75. (e) Richtig, siehe (d). (f) Richtig. (g) Unentscheidbar, die Aussage ist nur dann richtig, wenn x t2 nicht orthogonal zu den verbleibenden Regressoren ist. (h) Falsch, die Aussage ist schon wegen des positiven Vorzeichens des Koe zienten inkorrekt. (i) Falsch, irrelevante Variablen führen nicht zu Verzerrung. (j) Falsch, dann müsst der p-wert kleiner als :5 sein. 2. OLS ist unter den genannten Annahmen konsistent, wenn der Störterm kontemporär unkorreliert mit den Regressoren ist. Bezüglich x t ist dies per Annahme der strikten Exogenität dieses Regressors erfüllt. Fraglich ist also, ob u t und y t 1 unkorrliert sind. Wegen u t u t 1 + " t ist dies für den Fall erfüllt, da dann u t " t ist und " t laut Aufgabenstellung kontemporär unkorreliert mit allen Regressoren ist. Für > ist allerdings u t mit y t 1 korreliert: wegen y t x t y t 2 +u t 1 ist u t 1 mit y t 1 korreliert, und wegen u t u t 1 + " t ist für > auch u t 1 mit u t korreliert. Folglich ist für 6 OLS inkonsistent. 3. (a) Siehe Vorlesung. Nullhypothese ist Freiheit von Autokorrelation erster Ordnung der Störterme. eststatisik ist (n 1) R e2, wobei R e 2 der unbereinigte Determinationskoe zient einer Hilfsregression der OLS-Residuen auf eine Verzögerung ihrer selbst und die ursprünglichen Regressoren des untersuchten Modells ist. Die asymptotische Verteilung der eststatistik unter der Nullhypothese ist die 2 (1) - Verteilung. (b) Hier ist R e2 SSESS 4:3897:12 :451 (gerundet auf vier Nachkommastellen), und die eststatistik ist daher 119 :451 5:3669: (c) Die Nullhypothese würde auf dem 5% - Niveau und auf dem 2.5% - Niveau abgelehnt, nicht aber auf dem 1% - Niveau. 1

2 (d) Wegen des Ergebnisses der vorigen eilaufgabe muss der p-wert größer als :1, aber kleiner als :25 sein. 4. (a) OLS liefert einen inkonsistenten arameterschätzer, wenn der Regressor mit dem Fehler korreliert ist. (b) Ausschluss: darf nicht direkt in der Gleichung vorkommen, Exogenität: darf nicht mit u i korreliert sein, Relevanz / Rang: muss mit x i korreliert sein. (c) Alle Kriterien aus (b) sind in der Aufgabenstellung als erfüllt genannt, also ist z i eine gültige IV. (d) b IV 1 d Cov(y i ;z i ) dcov(x i ;z i ) 2 4 :5. 5. (a) Schätzgleichung: ln y t ln z t + a ln L t + b ln K t + 1 t + u t + a ln L t + b ln K t (b) Der Störterm u t beinhaltet hier den stochastischen eil des technischen Fortschritts (derjenige eil von z t, der nicht als einfacher Zeittrend beschrieben werden kann). Ein positiver Wert für u t bedeutet z.b., dass der technische Fortschritt in dieser eriode schneller als im Durchschnitt war. Endogenität entsteht dadurch, dass Unternehmen in Reaktion auf den technischen Fortschritt die Faktorinputs anpassen werden (mehr oder weniger Beschäftigung wählen werden). Dadurch sind Regressoren und Fehlerterm vermutlich korreliert. Durch die Endogenität der Regressoren ist OLS inkonsistent. (c) Geeignete Instrumentalvariablen müssten exogen (hier: nicht mit dem technischen Fortschritt korreliert) und relevant (hier: mit dem Arbeitseinsatz korreliert) sein. Es werden also Instrumente benötigt, die die Faktornachfrage beein ussen, ohne einen technologischen Bezug zu haben. (d) Da der Störterm den technischen Fortschritt enthält, müssten Instrumente also rein nachfrageseitige (d.h. nicht-technologische Variablen) sein. Beispiel: Rohölpreis, Auslandsnachfrage, Der mit OLS geschätzte arameter b ist genau dann kausal interpretierbar, wenn die Regressorvariable als exogen interpretiert werden kann. Dafür darf sie zumindest kontemporär nicht mit dem Fehlerterm korreliert sein. Ob dies im vorliegenden Fall plausibel ist, muss aufgrund inhaltlicher Erwägungen diskutiert werden. Wenn die Zuordnung von Werbeminuten zu Regionen von dem werbenden Unternehmen zufällig vorgenommen wurde, ist die Exogenitätsannahme klarerweise erfüllt: es handelt sich dann um experimentelle Daten, und OLS liefert den kausalen arameter. Etwas anderes gilt, wenn die genannte Zuordnung nicht zufällig gewählt wurde, sondern systematisch in Reaktion auf Ein üsse, die auch im Störterm der Regression enthalten sind. Im dargestellten Sachverhalt enthält der Störterm 2

3 der Regression alle Ein üsse auf den Bekanntheitsgrad des rodukts, die sich nicht auf Radiowerbung zurückführen lassen. Das umfasst vermutlich regional unterschiedliche räferenzen, Vertriebsstrukturen, etc. Wenn nun das werbende Unternehmen in den Regionen, in denen es wenig bekannt ist, mehr geworben hat (um eben die geringe Bekanntheit zu verbessern), dann sind diese Störein üsse mit der Regressorvariablen korreliert. Daher wäre in diesem Fall die Exogenitätsannahme verletzt, und der OLS - geschätzte arameter hätte keine kausale Bedeutung (sein Wert re ektiert dann nicht nur den Ein uss der Werbung auf die Bekanntheit, sondern eben auch den Ein uss der Bekanntheit auf die Werbung, es liegt also ein Fall von Simultanitätsverzerrung vor). 7. Der IV-Schätzer ist Hierin ist b IV (Z X) 1 Z y X (1 x), Z (1 z) Damit ist (Z X) 1 z (1 x) x z 1 z x n i1 z i n i1 x i i1 z ix i Wenn z und x mittelwertbereinigt sind, gilt i1 x i i1 z i, und wir haben (Z X) n i1 z ix i ) (Z X) 1 1n 1 i1 z ix i und Z y 1 z y i1 y i i1 z iy i i1 z iy i Damit resultiert b IV (Z X) 1 Z y 1n 1 i1 z ix i i1 z iy i n i1 z ix i i1 z iy i Bei Mittelwerten der Variablen von null ist der Ausdruck für den IV-Schätzer des Steigungsparameters aber genau das Verhältnis der Stichprobenkovarianzen, also wie auf S. 283 behauptet. b IV 1 i1 z iy i i1 z ix i d Cov(z; y) dcov(z; x) 3

4 8. Der IV-Schätzer kann geschrieben werden als b IV ( b X X) 1 b X y mit b X (1 bx) und X (1 x). Es ist also mit den Werten der Aufgabenstellung (und unter Berücksichtigung von t1 x t t1 bx t 519:95) ( b X X) 1 bx (1 x) x bx 1 bx x 1 519:95 519: :39 t1 bx t t1 x t t1 bx tx t und wegen y 11:5721 wissen wir dass t1 y i 1 11: :21 ist, so dass bx y 1 bx y t1 y t t1 bx 1157:21 ty t 6251:36 und damit b IV 1 519:95 519: : : :36 4:791 3:11 bzw. wenn die Inverse zunächst separat berechnet und gerundet wird b IV :357 : :21 3:8417 :667 : :36 2:8315 wegen der dann auftretenden Rundungsfehler. 9. (a) Richtig (z.b. Konstanten oder rends können regelmäßig sich selbst instrumentieren). (b) Richtig. (c) Falsch (die Rangbedingung verlangt, dass diese Korrelation existieren muss). (d) Vermutlich falsch, dies ist ein klassischer Fall von Simultanität (der reis beein usst zwar die abgesetzte Menge, aber der Umsatz wird vermutlich zurückwirken auf den Absatzpreis, der damit endogen wäre). (e) Richtig. (f) Falsch, dann ist 2SLS IV und damit konsistent. (g) Falsch, er ist nur konsistent, nicht aber erwartungstreu. (h) Falsch, die reduzierte Form sagt nichts über Exogenität der Instrumente aus. Im exakt identifzierten Fall ist die Exogenität nicht überprüfbar. (i) Richtig. (j) Falsch, der rst stage F - est ist einfach eine OLS - Schätzung der reduzierten Form für einen endogenen Regressor und damit auch im einfachen IV Fall anwendbar. 4

5 1. (a) Der IV-Schätzer ist im genannten einfachen Fall b IV Cov(z 1 d 1 i ; y i ) dcov(z i ; x i ) n 1 i1 (z i z) (y i y) 1 n 1 i1 (z i z) (x i x) i(z i z)y i i i (z (z i z)( + 1 x i + u i ) i z) x i i (z i z) x i 1 i (z i z)x i i (z + i(z i z)u i i z) x i z) x i 1 + d Cov(z i ; u i ) dcov(z i ; x i ) Exogenität des Instruments verlangt, dass Cov(z i ; u i ) ist, während in einer endlichen Stichprobe (einfach aufgrund der Stichprobenunsicherheit) auch bei Erfüllung dieser Bedingung d Cov(z i ; u i ) 6 gelten wird. Schwache Instrumente liegen vor, wenn Cov(z i ; x i ) klein ist (im Folgenden immer betragsmäßig zu verstehen) in diesem Fall ist wahrscheinlich auch d Cov(z i ; x i ) klein, und auch kleine Werte für dcov(z i ; u i ) 6 können zu betragsmäßig großen Werten von d Cov(z i ; u i ) d Cov(z i ; x i ) führen, so dass der IV-Schätzer stark verzerrt sein kann. O ensichtlich gibt es kein exaktes Maßdafür, welcher Wert von Cov(z i ; x i ) als zu klein anzusehen ist (je größer der Betrag dieser Kovarianz, desto besser). (b) Mit dem rst stage F-est (für die Situation der Aufgabenstellung: OLS-Regression des endogenen Regressors auf IV, est auf H : Koe zient der IV ist null). i (z i (c) Den Ergebnissen misstrauen und bessere Instrumente suchen. 5

Empirical Banking and Finance

Empirical 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

Mehr

Proxies, Endogenität, Instrumentvariablenschätzung

Proxies, 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

Mehr

Ausgewählte Probleme der Ökonometrie

Ausgewählte Probleme der Ökonometrie Ausgewählte Probleme der Ökonometrie Bernd Süßmuth IEW Institute für Empirische Wirtschaftsforschung Universität Leipzig October 16, 2012 Bernd Süßmuth (Universität Leipzig) APÖ October 16, 2012 1 / 28

Mehr

Übung V Lineares Regressionsmodell

Übung 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

Mehr

1. Lösungen zu Kapitel 7

1. 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

Mehr

Angewandte Ökonometrie Übung. Endogenität, VAR, Stationarität und Fehlerkorrekturmodell

Angewandte Ökonometrie Übung. Endogenität, VAR, Stationarität und Fehlerkorrekturmodell Angewandte Ökonometrie Übung 3 Endogenität, VAR, Stationarität und Fehlerkorrekturmodell Zeitreihenmodelle Zeitreihenmodelle Endogenität Instrumentvariablenschätzung Schätzung eines VARs Tests auf Anzahl

Mehr

Statistik II Übung 4: Skalierung und asymptotische Eigenschaften

Statistik 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

Mehr

2 Anwendungen und Probleme

2 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

Mehr

Statistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II

Statistik 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

Mehr

Empirische Wirtschaftsforschung

Empirische 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

Mehr

Kapitel 10. Multikollinearität. Exakte Multikollinearität Beinahe Multikollinearität

Kapitel 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

Mehr

Dynamische Modelle: Schätzen und Modellwahl

Dynamische Modelle: Schätzen und Modellwahl 1 / 23 Dynamische Modelle: Schätzen und Modellwahl Kapitel 18 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 23 Inhalt Dynamische Modelle und autokorrelierte Fehler Tests auf Autokorrelation

Mehr

Interne und externe Modellvalidität

Interne und externe Modellvalidität Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer

Mehr

Übung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell

Übung 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

Mehr

Mehrgleichungsmodelle

Mehrgleichungsmodelle 1 / 25 Mehrgleichungsmodelle Kapitel 20 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 25 Inhalt SUR, seemingly unrelated regressions Systeme von interdependenten Gleichungen Identifikation

Mehr

Prof. Dr. Marc Gürtler WS 2014/2015. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft

Prof. 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

Mehr

Vorlesung 3: Schätzverfahren

Vorlesung 3: Schätzverfahren Vorlesung 3: Schätzverfahren 1. Beispiel: General Social Survey 1978 2. Auswahl einer Zufallsstichprobe und Illustration des Stichprobenfehlers 3. Stichprobenverteilung eines Regressionskoeffizienten 4.

Mehr

Mehrgleichungsmodelle: Schätzverfahren

Mehrgleichungsmodelle: Schätzverfahren 1 / 26 Mehrgleichungsmodelle: Schätzverfahren Kapitel 21 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 26 Inhalt SUR, seemingly unrelated regressions Systeme von interdependenten Gleichungen

Mehr

Statistik II Übung 2: Multivariate lineare Regression

Statistik 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

Ökonometrie. Hans Schneeweiß. 3., durchgesehene Auflage. Physica-Verlag Würzburg-Wien 1978 ISBN

Ökonometrie. 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

Mehr

Instrumentvariablen und Instrumentvariablenschätzer

Instrumentvariablen und Instrumentvariablenschätzer Instrumentvariablen und Instrumentvariablenschätzer Ausgangspunkt der Überlegungen Es gibt endogene erklärende Variable. D. h. diese erklärenden Variablen werden selbst wieder durch das Modell erklärt.

Mehr

Econometrics Übung 1. CLRM & Verletzung der Unabhängigkeitsannahme

Econometrics Übung 1. CLRM & Verletzung der Unabhängigkeitsannahme Econometrics Übung 1 CLRM & Verletzung der Unabhängigkeitsannahme CLRM 1. Repetition: Gauss-Markov-Annahmen 2. Beispiel: Income & Consumption Verletzung der Unabhängigkeitsannahme 3. Repetition: Was passiert,

Mehr

Bachelorprüfung im Wintersemester 2012/2013

Bachelorprüfung im Wintersemester 2012/2013 Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung im Wintersemester 2012/2013 Empirische Wirtschaftsforschung II Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr.

Mehr

1. Lösungen zu Kapitel 8

1. Lösungen zu Kapitel 8 1. Lösungen zu Kapitel 8 Übungsaufgabe 8.1 a) Falsch! Die Nichtberücksichtigung von unwichtigen Variablen für die Identifikation kausaler Effekte stellt kein Problem dar, sofern diese Variablen keinen

Mehr

Schätzverfahren, 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 Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Wiederholung Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte

Mehr

Quantitative Methoden der Agrarmarktanalyse und des Agribusiness

Quantitative Methoden der Agrarmarktanalyse und des Agribusiness Quantitative Methoden der Agrarmarktanalyse und des Agribusiness Fragen zur Vorlesung Teil 2 SS 2001 Mai 19 Dr. Jens-Peter Loy, Institut für Agrarökonomie (Kommentare bitte per e-mail an jploy@agric-econ.uni-kiel.de)

Mehr

Empirical Banking and Finance

Empirical 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

Mehr

Prof. Dr. Marc Gürtler WS 2015/2016. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft

Prof. 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

Mehr

Statistik II Übung 2: Multivariate lineare Regression

Statistik 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

Datenanalyse mit Excel und Gretl

Datenanalyse 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

Mehr

Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief

Schätzverfahren, 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

Mehr

Bachelorprüfung im Sommersemester 2013

Bachelorprüfung im Sommersemester 2013 Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung im Sommersemester 2013 Empirische Wirtschaftsforschung II Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr.

Mehr

Statistik II Übung 2: Multivariate lineare Regression

Statistik 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

Bachelorprüfung im Wintersemester 2014/15

Bachelorprüfung 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

Mehr

Kapitel 12. Autokorrelation in den Residuen

Kapitel 12. Autokorrelation in den Residuen Kapitel Autokorrelation in den Residuen Der Sachverhalt Modell y = Xb + u, Ordnung von X: n x k Annahme A6: Var{u} = s I Annahme 6 impliziert serielle Unkorreliertheit der Störgrößen: Var{u t, u t+i }

Mehr

Diplomprüfung im Fach Ökonometrie im SS 08 - Aufgabenteil

Diplomprüfung im Fach Ökonometrie im SS 08 - Aufgabenteil Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Diplomprüfung im Fach Ökonometrie im SS 08 - Aufgabenteil Name, Vorname Matrikelnr. Studiengang Semester Datum

Mehr

Beispiel: Multiples Modell/Omitted Variable Bias I

Beispiel: 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

Mehr

Identifizierbarkeit von Modellen

Identifizierbarkeit von Modellen Identifizierbarkeit von Modellen Stichwörter: Simultanes Mehrgleichungsmodell Struktur- und reduzierte Form Vollständigkeit Identifizierbarkeit Abzählbedingung Rangbedingung o1-19.tex/0 Interdependente

Mehr

= 2 ( 3250,3 ( 3251,5)) = 1,1662 F(2,800) = 2,4 χ2

= 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,

Mehr

Statistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 20

Statistik 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)

Mehr

Computerübung 10. Empirische Wirtschaftsforschung. Willi Mutschler. 27. Januar Ökonometrie und Wirtschaftsstatistik Uni Münster

Computerübung 10. Empirische Wirtschaftsforschung. Willi Mutschler. 27. Januar Ökonometrie und Wirtschaftsstatistik Uni Münster Computerübung 10 Empirische Wirtschaftsforschung Willi Mutschler Ökonometrie und Wirtschaftsstatistik Uni Münster 27. Januar 2011 Willi Mutschler (Uni Münster) Computerübung 10 27. Januar 2011 1 / 12 Inhaltsverzeichnis

Mehr

Mehrdimensionale Zufallsvariablen

Mehrdimensionale Zufallsvariablen Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,

Mehr

Bachelorprüfung im Wintersemester 2013/14

Bachelorprüfung im Wintersemester 2013/14 Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung im Wintersemester 2013/14 Empirische Wirtschaftsforschung II Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr.

Mehr

Kurs Empirische Wirtschaftsforschung

Kurs 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

Mehr

Einführung in die Maximum Likelihood Methodik

Einführung in die Maximum Likelihood Methodik in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood

Mehr

Vorlesung 4: Spezifikation der unabhängigen Variablen

Vorlesung 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

Mehr

Bachelorprüfung im Wintersemester 2012/2013

Bachelorprüfung im Wintersemester 2012/2013 Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung im Wintersemester 2012/2013 Empirische Wirtschaftsforschung II Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr.

Mehr

Statistik I für Betriebswirte Vorlesung 13

Statistik I für Betriebswirte Vorlesung 13 Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung

Mehr

Ökonometrische Modelle

Ökonometrische Modelle Ökonometrische Modelle Stichwörter: Dynamische Modelle Lagstrukturen Koyck sche Lagstruktur Zeitreihenmodelle Mehrgleichungsmodelle Strukturform reduzierte Form o1-13.tex/0 Lüdeke-Modell für die BRD C

Mehr

Das Identifikationsproblem

Das Identifikationsproblem Draft 1 Das Identifikationsproblem Simultane Strukturmodelle sind insbesondere in den Sozialwissenschaften wichtig, da dort Zusammenhänge sehr häufig interdependenter Natur sind. Dies wirft einige schwerwiegende

Mehr

2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen

2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen .1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende

Mehr

Bachelorprüfung WS 2012/13

Bachelorprüfung WS 2012/13 Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung WS 2012/13

Mehr

Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte, 90 min

Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte, 90 min Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 21.02.2011 Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte,

Mehr

OLS-Schätzung: asymptotische Eigenschaften

OLS-Schätzung: asymptotische Eigenschaften OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren

Mehr

Ein Modell für den Weltmarkt von Kupfer

Ein Modell für den Weltmarkt von Kupfer Draft 1 Ein Modell für den Weltmarkt von Kupfer siehe Estimating and Forecasting Industry Demand for Price-Taking Firms, aus: Thomas, Maurice: Managerial Economics, 9/e http://highered.mcgraw-hill.com/sites/dl/free/0073402818/459485/tho02818_mod3_web.pdf

Mehr

5 Multivariate stationäre Modelle

5 Multivariate stationäre Modelle 5 Multivariate stationäre Modelle 5.1 Autoregressive distributed lag (ADL) 5.1.1 Das Modell und dessen Schätzung Im vorangehenden Kapitel führten wir mit der endogenen verzögerten Variablen, y t 1, als

Mehr

1. Lösungen zu Kapitel 5

1. Lösungen zu Kapitel 5 . Lösungen zu Kapitel 5 Übungsaufgabe 5. a) Falsch! Die Varianz des geschätzten Koeffizienten ˆβ berechnet sich folgendermaßen: ) b) Falsch! Var(β ˆ ) = ˆσ2 ˆσ X 2 = = ( ˆεt 2 (K+) X 2 t X 2 5 5 2 0 8

Mehr

Statistik II Übung 1: Einfache lineare Regression

Statistik 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

Mehr

Das (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell

Das (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell 1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs

Mehr

Beispiel: Multiples Modell/Omitted Variable Bias I

Beispiel: 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

Mehr

Ausführliche Lösungen zu ausgewählten Aufgaben von ÜB 5 und 6. Streudiagramm

Ausführliche Lösungen zu ausgewählten Aufgaben von ÜB 5 und 6. Streudiagramm y Aufgabe 3 Ausführliche Lösungen zu ausgewählten Aufgaben von ÜB 5 und 6 a) Zur Erstellung des Streudiagramms zeichnet man jeweils einen Punkt für jedes Datenpaar (x i, y i ) aus der zweidimensionalen

Mehr

Inferenz im multiplen Regressionsmodell

Inferenz 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

Mehr

Bachelorprüfung SS 2014

Bachelorprüfung SS 2014 Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung SS 2014

Mehr

Fortgeschrittene Ökonometrie: GLS

Fortgeschrittene Ökonometrie: GLS Universität Regensburg, Lehrstuhl für Ökonometrie Sommersemester 2012 Fortgeschrittene Ökonometrie: GLS 1 Verallgemeinerte Kleinst-Quadrate als Momentenschätzer Betrachten Sie das Modell y = Xβ + u, E(uu

Mehr

Schätzung im multiplen linearen Modell VI

Schätzung im multiplen linearen Modell VI Schätzung im multiplen linearen Modell VI Wie im einfachen linearen Regressionsmodell definiert man zu den KQ/OLS-geschätzten Parametern β = ( β 0, β 1,..., β K ) mit ŷ i := β 0 + β 1 x 1i +... β K x Ki,

Mehr

Teekonsum in den USA (in 1000 Tonnen), Nimmt den Wert 1 an für alle Perioden, Durchschnittlicher Preis des Tees in Periode t (in Tausend $/Tonne).

Teekonsum in den USA (in 1000 Tonnen), Nimmt den Wert 1 an für alle Perioden, Durchschnittlicher Preis des Tees in Periode t (in Tausend $/Tonne). Aufgabe 1 (5 Punkte) Gegeben sei ein lineares Regressionsmodell in der Form. Dabei ist y t = x t1 β 1 + x t β + e t, t = 1,..., 10 (1) y t : x t1 : x t : Teekonsum in den USA (in 1000 Tonnen), Nimmt den

Mehr

Bachelorprüfung WS 2014/15 - MUSTERLÖSUNG

Bachelorprüfung WS 2014/15 - MUSTERLÖSUNG Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung WS 2014/15 - MUSTERLÖSUNG Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina

Mehr

Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004

Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift

Mehr

(1 Punkt) i) Bestimmen Sie formal den marginalen Effekt der Häufigkeit des Alkoholkonsums für männliche

(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

Mehr

Statistik II Übung 1: Einfache lineare Regression

Statistik 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

Mehr

2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme)

2. 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,

Mehr

x t2 y t = 160, y = 8, y y = 3400 t=1

x t2 y t = 160, y = 8, y y = 3400 t=1 Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =

Mehr

Lehrstuhl für Statistik und empirische Wirtschaftsforschung. Bachelorprüfung

Lehrstuhl für Statistik und empirische Wirtschaftsforschung. Bachelorprüfung Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung Empirische Wirtschaftsforschung II PD Dr. Richard Reichel Name, Vorname Matrikelnr. Studiengang Semester Email

Mehr

Bachelorprüfung WS 2012/13 - MUSTERLÖSUNG

Bachelorprüfung WS 2012/13 - MUSTERLÖSUNG Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung WS 2012/13 - MUSTERLÖSUNG Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina

Mehr

Beschreibende Statistik Zweidimensionale (bivariate) Daten

Beschreibende Statistik Zweidimensionale (bivariate) Daten Mathematik II für Biologen Beschreibende Statistik Zweidimensionale (bivariate) Daten 8. Mai 2009 Lineare Regression Transformationen Produktmomenten-Korrelation Rangkorrelation Warnung Stichprobe ( 1,y

Mehr

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen

Mehr

Institut für Soziologie Christian Ganser. Methoden 2. Regressionsanalyse II: Lineare multiple Regression

Institut 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

Mehr

Teil: lineare Regression

Teil: 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

Mehr

Prognoseintervalle für y 0 gegeben x 0

Prognoseintervalle für y 0 gegeben x 0 10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen

Mehr

Lehrstuhl 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 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.

Mehr

Statistik II. IV. Hypothesentests. Martin Huber

Statistik 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

Mehr

Statistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 27

Statistik 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)

Mehr

Bachelorprüfung WS 2013/14

Bachelorprüfung WS 2013/14 Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung WS 2013/14

Mehr

Kapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell

Kapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften

Mehr

Annahmen des linearen Modells

Annahmen 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

Mehr

Bachelorprüfung SS MUSTERLÖSUNG

Bachelorprüfung SS MUSTERLÖSUNG Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung SS 2014

Mehr

y t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.

y t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen. Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf

Mehr

Vorlesung 12: Ausblick - Was wir nicht besprochen haben

Vorlesung 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

Mehr

Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr.

Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr. Statistik II Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 2. Parameterschätzung: 2.1 Grundbegriffe; 2.2 Maximum-Likelihood-Methode;

Mehr

Lineare Regression (Ein bisschen) Theorie

Lineare Regression (Ein bisschen) Theorie Kap. 6: Lineare Regression (Ein bisschen) Theorie Lineare Regression in Matrixform Verteilung des KQ-Schätzers Standardfehler für OLS Der Satz von Gauss-Markov Das allgemeine lineare Regressionsmodell

Mehr

Einführung in Quantitative Methoden

Einführung in Quantitative Methoden in Quantitative Methoden Mag. Dipl.Ing. Dr. Pantelis Christodoulides & Mag. Dr. Karin Waldherr SS 2011 Christodoulides / Waldherr in Quantitative Methoden- 2.VO 1/47 Historisches Regression geht auf Galton

Mehr

Wiederholungsübungen zu den Kapiteln 7 bis 11

Wiederholungsübungen zu den Kapiteln 7 bis 11 Mittelwert-Tests Übung Wiederholungsübungen zu den Kapiteln 7 bis 11 In dieser Übung wird der Datensatz 4 verwendet. In dem (fiktiven) Datensatz sind für 50 Personen vier Variablen erfasst: das Geschlecht,

Mehr

Multivariate Verfahren

Multivariate Verfahren Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie

Mehr

Geg.: Eine Menge von Elementen, z.b.

Geg.: Eine Menge von Elementen, z.b. 1.3 Zweidimensionale Häufigkeitsverteilungen Geg.: Eine Menge von Elementen, z.b. Schüler einer Schule Soldaten eines Bataillons Schrauben einer Stichprobe Tage eines Jahrhunderts Betrachtet werden zwei

Mehr

Statistik II für Betriebswirte Vorlesung 12

Statistik II für Betriebswirte Vorlesung 12 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 12 11. Januar 2013 7.3. Multiple parameterlineare Regression Im Folgenden soll die

Mehr

Modell (Konstante) 0,411 0,155 male 0,212 0,13 job 0,119 0,131 alcohol 0,255 0,05 a. Abhängige Variable: skipped

Modell (Konstante) 0,411 0,155 male 0,212 0,13 job 0,119 0,131 alcohol 0,255 0,05 a. Abhängige Variable: skipped 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

Mehr

Vorlesung: Statistik II für Wirtschaftswissenschaft

Vorlesung: Statistik II für Wirtschaftswissenschaft Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation

Mehr