Übungsblatt 8: Spezifikations- und andere Fragen rund um das lineare Regressionsmodell
|
|
- Swen Vogel
- vor 5 Jahren
- Abrufe
Transkript
1 Prof. Bernd Ftzenberger, Ph.D. Ute Leuschner Anthony Strttmatter Übung zur Veranstaltung Emprsche Wrtschaftsforschung Albert-Ludwgs-Unverstät Freburg Wntersemester 2009/10 Übungsblatt 8: Spezfkatons- und andere Fragen rund um das lneare Regressonsmodell 1. Parttonerte Regresson Betrachten Se das folgende Regressonsmodell: Y = 1X1 + 2X 2 + u, wobe alle Varablen enen Mttelwert von null haben. a) Geben Se de KQ-Schätzer für deses Modell an. b) En Kommltone behauptet, dass man den Koeffzenten 1 auch durch folgendes zwestufges Verfahren berechnen kann: Schrtt 1: Schätze das Modell X 1 = X 2 +. Schrtt 2: Regressere Y auf de Resduen aus Schrtt 1: entsprcht dann 1. Y = ˆ. Der Koeffzent + Überprüfen Se sene Aussage. 2. Mncersche Verdenstfunkton für Berufsensteger Ihnen legt en Datensatz mt dem Enstegsgehalt und der Ausbldungsdauer von Berufsanfängern vor. Damt möchten Se folgendes Modell schätzen: ln Y = 1 + 2S + u, (1) wobe Y den monatlchen Bruttoverdenst und S de Ausbldungsdauer n Jahren bezechnet. a) En n der Lteratur häufg vorgebrachter Enwand st, dass der Verdenst und de gewählte Schulbldung auch vom ncht beobachtbaren Talent (Englsch: ablty) ener Person abhängen. In desem Fall wäre ene Spezfkaton, de nur de Ausbldungsdauer berückschtgt, unvollständg. Zegen Se, we sch der aus Modell (1) geschätzte Koeffzent der Ausbldungsdauer von dem m wahren Modell, n dem auch das Talent lnear engeht, unterschedet. b) In welche Rchtung st der auf Bass von Modell (1) geschätzte Koeffzent der Ausbldungsdauer verzerrt? Erläutern Se de Konsequenzen unter folgenden Annahmen: () Talentertere Indvduen wählen en höheres Ausbldungsnveau, da hnen das Lernen lechter fällt. () Es wählen dejengen en höheres Ausbldungsnveau, de wenger Talent haben auf andere Wese enen hohen Verdenst zu erzelen. 1
2 Hnwes: Gehen Se davon aus, dass ene talentertere Person ceters parbus mehr verdent als ene wenger talenterte Person. c) Se überlegen ene Instrumentvarablen Schätzung durchzuführen. In Ihrem Datensatz stehen Ihnen außerdem noch folgende Varablen zur Verfügung: (1) IQ, (2) Dummyvarable, de ens st, wenn de Person n ener Unverstätsstadt aufgewachsen st, (3) Dummyvarable, de ens st, wenn der/de Personalmanagern en anderes Geschlecht hat als der/de Berufsanfänger/n, (4) Ausbldungsdauer der Mutter, (5) Bruttomonatsverdenst des Vaters und (6) Geburtsmonat. Welche davon würden sch als Instrument für de Ausbldungsdauer egnen und welche eher ncht? Begründen Se Ihre Antwort. d) Krtker der Mncerschen Verdenstfunkton führen zudem an, dass der Verdenst ncht so sehr von der Anzahl n Ausbldung verbrachter Jahre, sondern velmehr vom errechten Abschluss abhängt. Welche Annahmen stecken mplzt n ener Spezfkaton, n der de Ausbldungsdauer n Jahren lnear engeht? Welche Möglchketen gbt es dese Annahmen zu lockern und anhand von Hypothesentests zu überprüfen? 3. Zusammenhang zwschen Knderzahl, Ausbldung und Alter Mt enem Datensatz, der de Angaben von 4361 Frauen enthält, st der Zusammenhang zwschen der Anzahl der Knder, der Ausbldungsdauer n Jahren und dem Alter untersucht worden. Am Ende des Übungsblatts fnden Se den TSP-Output der Analyse. Kommenteren und nterpreteren Se hn. Hnwes: De Varable frsthalf st ens, wenn de Frau n den Monaten Januar bs Jun geboren wurde und null sonst. 4. Messfehler n den Varablen Betrachten Se das folgende Regressonsmodell: Y = u X + a) We wrkt sch en Messfehler aus, be dem de zu erklärende Varable mmer um enen festen Betrag zu hoch gemessen wrd? b) We wrkt sch en Messfehler n der erklärenden Varable aus, der zufällg um den wahren Wert schwankt? c) Gehen Se nun davon aus, dass X ene fehlerhaft gemessene Dummyvarable st. Ist de Annahme, dass der Messfehler zufällg um den wahren Wert streut haltbar? 2
3 5. Zusatzaufgabe Nehmen Se an Se schätzen das Regressonsmodell Y = 1 2X1 + 3X 2 + u mt TSP. Dabe stellen Se fest, dass bede Stegungskoeffzenten ncht sgnfkant von null verscheden snd, obwohl das R 2 recht hoch st. a) Welches Problem legt her möglcherwese vor? We würden Se Ihre Vermutung überprüfen? b) Ist ene Schätzung, n der deses Problem vorlegt, noch zu gebrauchen? TSP-Output zu Aufgabe 3 PROGRAM COMMAND *************************************************************** 1? 1?Fertltaet 1? 1 1 optons crt ; 2 2?Daten enlesen 2 freq n ; 3 3 read(fle='fertl.raw') chldren educ age agesq frsthalf ; 4 matrx fullsmpl=@smpl ; 5 5?Daten ueberpruefen 5?smpl 1 10 ; 5?prnt chldren educ age agesq frsthalf ; 5 5 smpl fullsmpl ; 6 msd(terse,byvar) chldren educ age agesq frsthalf ; 7 7?Analyse 7 ols chldren c educ age agesq ; 8 8 msd(terse,corr) educ age frsthalf ; 9 9 ols educ c age agesq frsthalf ; genr ueduc=@res ; ols(robust) chldren c educ age agesq ueduc ; sls( nst=(c age agesq frsthalf) ) chldren c educ age agesq ; end; EXECUTION *************************************************************************** 3
4 Unvarate statstcs ========= Number of Observatons: 4361 Num.Obs Mean Std Dev Mnmum Maxmum CHILDREN EDUC AGE AGESQ FRSTHALF Equaton 1 Method of estmaton = Ordnary Least Squares Dependent varable: CHILDREN Number of observatons: 4361 Mean of dep. var. = LM het. test = [.000] Std. dev. of dep. var. = Durbn-Watson = [<.000] Sum of squared resduals = Jarque-Bera test = [.000] Varance of resduals = Ramsey's RESET2 = [.000] Std. error of regresson = F (zero slopes) = [.000] R-squared = Schwarz B.I.C. = Adjusted R-squared = Log lkelhood = Estmated Standard Varable Coeffcent Error t-statstc P-value C [.000] EDUC E [.000] AGE [.000] AGESQ E E [.000] Number of Observatons: 4361 Results of Covarance procedure ======= Mean Std Dev Mnmum Maxmum EDUC AGE FRSTHALF Correlaton Matrx EDUC AGE FRSTHALF EDUC AGE FRSTHALF
5 Equaton 2 Method of estmaton = Ordnary Least Squares Dependent varable: EDUC Number of observatons: 4361 Mean of dep. var. = LM het. test = [.000] Std. dev. of dep. var. = Durbn-Watson = [<.000] Sum of squared resduals = Jarque-Bera test = [.000] Varance of resduals = Ramsey's RESET2 = [.126] Std. error of regresson = F (zero slopes) = [.000] R-squared = Schwarz B.I.C. = Adjusted R-squared = Log lkelhood = Estmated Standard Varable Coeffcent Error t-statstc P-value C [.000] AGE [.010] AGESQ E E [.466] FRSTHALF [.000] Equaton 3 Method of estmaton = Ordnary Least Squares Dependent varable: CHILDREN Number of observatons: 4361 Mean of dep. var. = LM het. test = [.000] Std. dev. of dep. var. = Durbn-Watson = [<.000] Sum of squared resduals = Jarque-Bera test = [.000] Varance of resduals = Ramsey's RESET2 = [.000] Std. error of regresson = F (zero slopes) = [.000] R-squared = Schwarz B.I.C. = Adjusted R-squared = Log lkelhood = Estmated Standard Varable Coeffcent Error t-statstc P-value C [.000] EDUC [.001] AGE [.000] AGESQ E E [.000] UEDUC [.112] Standard Errors are heteroskedastc-consstent (HCTYPE=2). Dependent varable: CHILDREN Endogenous varables: EDUC Included exogenous varables: C AGE AGESQ Excluded exogenous varables: FRSTHALF Equaton 4 Method of estmaton = Instrumental Varable 5
6 Number of observatons: 4361 Mean of dep. var. = R-squared = Std. dev. of dep. var. = Adjusted R-squared = Sum of squared resduals = Durbn-Watson = [<.000] Varance of resduals = F (zero slopes) = [.000] Std. error of regresson = E'PZ*E = 0. Estmated Standard Varable Coeffcent Error t-statstc P-value C [.000] EDUC [.001] AGE [.000] AGESQ E E [.000] *************************************************************************** END OF OUTPUT. 6
Lösung - Übungsblatt 10
Lösung - Übungsblatt 10 Aufgabe 2: Siehe Outputfile Aufgabe 2 a) Regressionsgleichung - Equation 1: price = β 1 + β 2 lotsize + β 3 sqrft + β 4 bdrms + u i Fit: price = β 1 + β 2 lotsize + β 3 sqrft +
MehrFragen zum zweiten Teil der Vorlesung
Albert-Ludwigs-Universität Freiburg Ökonometrie (Bachelor) Lehrstuhl Prof. Fitzenberger, Ph.D. WS 2011/12 Fragen zum zweiten Teil der Vorlesung 1. Es soll geprüt werden, ob das obere Quartil (das 75%-Quantil)
MehrÜbungsblatt 7: Schätzung eines Mietspiegels
Prof. Bernd Fitzenberger, Ph.D. Ute Leuschner Stefanie Schäfer Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Wintersemester 2010/11 Übungsblatt 7: Schätzung
MehrFragestunde zur Übung
Prof. Bernd Fitzenberger, Ph.D. Dr. Roland Füss Aderonke Osikominu Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Wintersemester 2007/08 Fragestunde zur Übung
MehrKlausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A
Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen
Mehr(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y
5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable
MehrKlausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung. Prof. Bernd Fitzenberger, Ph.D. WS 2010/11. Mittwoch, 16.
Klausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. WS 2010/11 Mittwoch, 16. Februar 2011 Die folgenden drei Aufgaben sind alle zu bearbeiten. Die insgesamt
MehrP[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)
Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrKurs 9.3: Forschungsmethoden II
MSc Bankng & Fnance Kurs 9.3: Forschungsmethoden II Zetrehenanalyse Lernsequenz 08: Enführung Panelregresson Dezember 2014 Prof. Dr. Jürg Schwarz Inhaltsverzechns Fole 2 Paneldaten 3 Arten von Stchproben...
MehrÖkonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte
Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
Mehr5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrEmpirische Wirtschaftsforschung
Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
MehrWeitere NP-vollständige Probleme
Wetere NP-vollständge Probleme Prosemnar Theoretsche Informatk Marten Tlgner December 10, 2014 Wr haben letzte Woche gesehen, dass 3SAT NP-vollständg st. Heute werden wr für enge wetere Probleme n NP zegen,
MehrMehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren
Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
MehrStefanie Licklederer/Ute Schulze Wintersemester 2013/14. Übungsblatt 1 Wachstumsraten, Indizes
B.5 Übung Prof. Bernd Fitzenberger, Ph.D. 1. Wachstumsraten Übungsblatt 1 Wachstumsraten, Indizes Definieren Sie die Begriffe Wachstumsrate und Wachstumsfaktor konventionell und auf Basis von Logarithmen.
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
MehrSind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)
LÖSUNG KLAUSUR STATISTIK I Berufsbegletender Studengang Betrebswrtschaftslehre Sommersemester 016 Aufgabentel I: Theore (10 Punkte) Snd de nachfolgenden Aussagen rchtg oder falsch? (1 Punkt pro korrekter
MehrWS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9
WS 2016/17 Prof. Dr. Horst Peters 06.12.2016, Sete 1 von 9 Lehrveranstaltung Statstk m Modul Quanttatve Methoden des Studengangs Internatonal Management (Korrelaton, Regresson) 1. Überprüfen Se durch Bestmmung
Mehr3 Multiple lineare Regression
3.1 Modell und Statstk 34 3 Multple lneare Regresson 3.1 Modell und Statstk a Zusammenhang zwschen ener Zelgrösse Y und mehreren Engangsgrössen X (1), X (2),..., X (m) Y = β 0 + β 1 x (1) + β 2 x (2) Parameter:
MehrProbeklausur EW II. Für jede der folgenden Antworten können je 2 Punkte erzielt werden!
Probeklausur EW II Bitte schreiben Sie Ihre Antworten in die Antwortfelder bzw. markieren Sie die zutreffenden Antworten deutlich in den dafür vorgesehenen Kästchen. Wenn Sie bei einer Aufgabe eine nicht-zutreffende
MehrMultivariate Analysemethoden
Multvarate Analysemethoden q-q-plot Methode zur Prüfung der Multvaraten Normalvertelung Günter Menhardt Johannes Gutenberg Unverstät Manz Prüfung der NV-Annahme Vertelungsanpassung/Prüfung Prüfung der
MehrKlausur ÖKONOMETRIE für Bachelor
Klausur ÖKONOMETRIE für Bachelor Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine
MehrAnalyse von Querschnittsdaten. Bivariate Regression
Analse von Querschnttsdaten Bvarate Regresson Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum 3.0.2004 20.0.2004 27.0.2004 03..2004 0..2004 7..2004
MehrGrundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt
Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
MehrLineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
MehrItemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i
Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson
MehrTheoretische Physik II Elektrodynamik Blatt 2
PDDr.S.Mertens M. Hummel Theoretsche Physk II Elektrodynamk Blatt 2 SS 29 8.4.29 1. Rechnen mt Nabla. Zegen Se durch Auswertung n kartesschen Koordnaten de folgende Relaton und werten Se de anderen Relatonen
Mehr1.1 Beispiele zur linearen Regression
1.1. BEISPIELE ZUR LINEAREN REGRESSION 0 REGRESSION 1: Multple neare Regresson 1 Enführung n de statstsche Regressonsrechnung 1.1 Bespele zur lnearen Regresson b Bespel Sprengungen. Erschütterung Funkton
Mehr4.2 Zweistufige Methode der Kleinsten Quadrate
4.2 Zwesufge Mehode der Klensen Quadrae 4.18 Wdh.: Problem: Sörvarable snd m erklärenden Varablen der Srukurform, genauer: m gemensam abhänggen Varablen, korreler. Weerer möglcher Ausweg: 2SLS Unversä
MehrÜbungen zu Algorithmen
Insttut für Informatk Unverstät Osnabrück, 06.12.2016 Prof. Dr. Olver Vornberger http://www-lehre.nf.uos.de/~anf Lukas Kalbertodt, B.Sc. Testat bs 14.12.2016, 14:00 Uhr Nls Haldenwang, M.Sc. Übungen zu
MehrNäherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen
Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:
MehrTeekonsum 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
MehrInformatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastk, 11.5.13 Wr gehen stets von enem Maßraum (, A, µ) bzw. enem Wahrschenlchketsraum (,A,P) aus. De Borel σ-algebra auf R n wrd mt B n bezechnet, das Lebesgue Maß auf R n wrd mt
MehrKlausur ÖKONOMETRIE für Bachelor VWL
Klausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrKlausur zur Vorlesung: Prof. Bernd Fitzenberger, Ph.D. SS 2012 Donnerstag, 31. Juli 2012
Klausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. SS 2012 Donnerstag, 31. Juli 2012 Die folgenden drei Aufgaben sind alle zu bearbeiten. Die insgesamt
MehrTeil XIV. Lösung linearer Gleichungssysteme. Scientific Computing in Computer Science, Technische Universität München
Tel XIV Lösung lnearer Glechungssysteme IN8008, Wntersemester 010/011 89 Gauss Algorthmus Zwe Schrtte: Vorwärtselmnaton und Rückwärtssubsttuton Vorwärtselmnaton Erzeugen ener Stufenform Zelen dürfen mt
MehrSei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
MehrKaplan- Meier- Schätzer
Kaplan- Meer- Schätzer Glederung 1. Enletung 2. Zensur 3. Notaton 4. Methoden zur Schätzung der Überlebensfunton a. Reduced Sample Method/ Drect Method b. Actuaral Method bzw. verscherungsmath. Methode
MehrRückblick Regression II: Anpassung an Polynome
Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten
MehrWahrscheinlichkeitslimes und Konsistenz eines Schätzers
5.5. IV SCHÄTZUNG 1 5.5 Multivariate lineare Regression: Fehler in den Variablen, Proxies, Endogenität, Instrumentvariablenschätzung Wahrscheinlichkeitslimes und Konsistenz eines Schätzers Literatur: Gujarati
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
Mehr3.3 Lineare Abbildungen und Matrizen
33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle
Mehr2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme)
2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme) Annahme A1: Im multiplen Regressionsmodell fehlen keine relevanten exogenen Variablen und die benutzten exogenen Variablen x 1,
MehrNSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.
PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =
MehrKlasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten
Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
MehrKurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit
BINARY CHOICE MODELS 1 mt Pr( Y = 1) = P Y = 0 mt Pr( Y = 0) = 1 P Bespele: Wahlentschedung Kauf langlebger Konsumgüter Arbetslosgket Schätzung mt OLS? Y = X β + ε Probleme: Nonsense Predctons ( < 0, >
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
MehrFree Riding in Joint Audits A Game-Theoretic Analysis
. wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre
MehrStatistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
MehrLösungen der Aufgaben zu Kapitel 2
Lösungen der Aufgaben zu Kaptel Abschntt 1 Aufgabe 1 Wr benutzen de Potenzrechenregeln, um ene Potenz von mt geradem Eponenten n oder mt ungeradem Eponenten n + 1 we folgt darzustellen: n n und n+1 n n
MehrTeil E: Qualitative abhängige Variable in Regressionsmodellen
Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.
MehrUniversität Karlsruhe (TH)
Unverstät Karlsruhe (TH) Forschungsunverstät gegründet 825 Parallele Algorthmen I Augaben und Lösungen Pro. Dr. Walter F. Tchy Dr. Vctor Pankratus Davd Meder Augabe () Gegeben se en N-elementger Zahlenvektor
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung
Lehrstuhl für Statstk und emp. Wrtschaftsforschung, Prof. R. T. Rphahn, Ph.D. Bachelorprüfung, Praxs der emprschen Wrtschaftsforschung Fach: Prüfer: Bachelorprüfung Praxs der emprschen Wrtschaftsforschung
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
MehrDeterminanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.
Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx
MehrKapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104
Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
Mehr18. Vorlesung Sommersemester
8. Vorlesung Sommersemester Der Drehmpuls des starren Körpers Der Drehmpuls des starren Körpers st etwas komplzerter. Wenn weder de Wnkelgeschwndgket um de feste Rotatonsachse st, so wrd mt Hlfe des doppelten
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
MehrAn welche Stichwörter von der letzten Vorlesung können Sie sich noch erinnern?
An welche Stchwörter von der letzten Vorlesung können Se sch noch ernnern? Gasgesetz ür deale Gase pv = nr Gelestete Arbet be sotherme Ausdehnung adabatsche Ausdehnung 2 n Reale Gase p + a 2 ( V nb) =
Mehr16. Vorlesung Sommersemester
16. Vorlesung Sommersemester 1 Das Egenwertproblem In allgemener Form hat das Egenwertproblem de Form A x = λ x, (1) wobe A ene n n-matrx, x en n-dmensonaler Vektor und λ der Egenwert st (n Englsch: egenvector,
MehrNetzwerkstrukturen. Entfernung in Kilometer:
Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.
MehrKlausur ÖKONOMETRIE für Bachelor VWL
Klausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrSchriftliche Prüfung aus Systemtechnik am
U Graz, Insttut egelungs- und Automatserungstechnk Schrftlche Prüfung aus Systemtechnk am 4.. 5 Name / Vorname(n): Kenn-Matr.Nr.: Bonuspunkte: 4 errechbare Punkte 4 5 7 5 errechte Punkte U Graz, Insttut
MehrDie Transzendenz der Eulerschen Zahl e
De Transzendenz der Eulerschen Zahl e nach Jean-Paul Delahaye Der n [1, Seten 21-22] skzzerte Bewes der Transzendenz der Eulerschen Zahl e wrd m folgenden ausgeführt. En alternatver Bewes, der auf Ideen
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 8. Übung (08.01.2008) Agenda Agenda Verglech Rasch-Modell vs. 2-parametrsches logstsches Modell nach Brnbaum 2PL-Modelle n Mplus Verglech
Mehr-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell
Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte
MehrNachholklausur ÖKONOMETRIE für Bachelor VWL
Nachholklausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrFallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung
Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012
MehrNullstellen Suchen und Optimierung
Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!
MehrProf. Dr.- Ing. Herzig Vorlesung "Grundlagen der Elektrotechnik 1" 1etv3-4
Prof. Dr.- ng. Herzg.6 Spezelle erechnungsverfahren lnearer Netzwerke.6. Überlagerungsverfahren Der Lernende kann - den Überlagerungssatz und das darauf beruhende erechnungsprnzp lnearer Netzwerke erklären
MehrNachholklausur ÖKONOMETRIE für Bachelor VWL
Nachholklausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrLineare Regression - Mathematische Grundlagen
FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr
Mehr