Quantitative Methoden der Agrarmarktanalyse und des Agribusiness
|
|
- Timo Schmitt
- vor 5 Jahren
- Abrufe
Transkript
1 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 an jploy@agric-econ.uni-kiel.de) L INEARE R EGRESSIONSMODELLE/KLEINSTQUADRATSCHÄTZUNG (1) Definieren Sie den Begriff Ökonometrie? (2) Ordnen Sie den Begriff in andere, überlappende Arbeitsgebiete ein. (3) Wozu dienen ökonometrische Schätzungen? (4) Nennen Sie Beispiele für die Anwendungen ökonometrischer Modelle in den Agrar- und Ernährungswissenschaften. (5) Erläutern Sie die Kernbestandteile ökonometrischer Untersuchungen anhand eines Flussdiagramms. (6) Erläutern Sie die Beziehungen zwischen den Kernbestandteilen ökonometrischer Untersuchungen? (7) Warum sollte man eine gewählte Modellspezifikation testen? Geben Sie ein Beispiel. (8) Warum sollte man geschätzte Modelparameter Hypothesentests unterziehen? Geben Sie ein Beispiel. D AS LINEARE G RUNDMODELL MIT ZWEI V ARIABLEN (1) Was sind endogene und exogene Variablen und welche alternativen Bezeichnungen kennen Sie? (2) Formulieren Sie in mathematischer Notation ein einfaches lineares Modell und erläutern Sie die einzelnen Variablen und Parameter. (3) Warum unterscheidet man zwischen dem Modellparametern für die Grundgesamtheit und denen für die Stichprobe? (4) Erläutern Sie, warum es sich bei den Schätzern, die aus einer Stichprobe gewonnen werden, um Zufallsvariablen handelt? (5) Was ist eine Störvariable (u), wozu dient sie, wofür steht sie?
2 (6) Erläutern Sie den Unterschied zwischen den Modellparametern für die Grundgesamtheit und denen für die Stichprobe anhand einer Graphik. (7) Stellen Sie das geschätzte Modell in mathematischer Notation dar. Welche alternativen Schreibweisen kennen Sie? (8) Erläutern Sie anhand des hedonischen Preismodells für die Bestimmung von Hauspreisen die Vorgehensweise bei einer ökonometrischen Schätzung und interpretieren Sie die Schätzer für die Modellparameter. (9) Interpretieren Sie die Schätzer für die Konstante und den Steigungsparameter in einem linearen Zwei-Variablen-Modell. (10) Wie sind die Schätzwerte für die endogene Variable zu interpretieren? (11) Was ist ein Erwartungswert, z.b. E[Y]? (12) Was bedeutet der Begriff der Kausalität? (13) Welche kausale Struktur wird in einem linearen Modell unterstellt? (14) Woher können die Annahmen über die kausale Struktur eigentlich nur stammen? (15) Welche Kriterien gibt es für die Wahl eines Schätzers? (16) Was bedeutet Erwartungstreue eines Schätzers? (17) Was ist ein effizienter Schätzer? (18) Welche Vorteile hat der Kleinstquadrateschätzern gegenüber anderen Schätzern. Welche alternativen Schätzer gibt es? S CHÄTZUNG DES G RUNDMODELLS MIT ZWEI V ARIABLEN (1) Stellen Sie die Zielfunktion für die Kleinstquadratschätzung auf. (2) Leiten Sie die Normalgleichungen ab. (3) Was besagen die Normalgleichungen? ( ) (4) Zeigen Sie mit Hilfe der zweiten Normalgleichung, daß gilt: Cov X, u ˆ = 0. (5) Wie ermitteln Sie die Schätzer für β und β? (6) Zeigen Sie, daß gilt: (7) Zeigen Sie, daß gilt: S S xy i i xx 0 1 ( Xi)( Yi) = XY. n ( X ) 2 2 i Xi. = n (8) Warum muß die Varianz der exogenen Variable ungleich Null sein (formale und intuitive Erklärung)? (9) Zeigen Sie, daß gilt Y ˆ ˆ ˆi = β0 + β1x 1, i und y ˆ ˆi = β1x1, i. (10) Was sind deterministische und stochastische Variablen? (11) Warum ist Y eine stochastische Variable? (12) Wie ist eine Arbeitstabelle zur Berechnung der Regressionsergebnisse von Hand aufgebaut? i i
3 S CHÄTZUNG DES MULTIPLEN R EGRESSIONSMODELLS (1) Erläutern Sie die Interpretation der Schätzer im multiplen Modell gegenüber den Schätzern in einer Einfachregression (Konstante und eine Erklärungsvariable). Verwenden Sie dazu ein Kreisdiagramm von Ballentine. (2) Erklären Sie die Interpretation der Koeffizienten im multiplen Modell anhand eines Modells mit drei Variablen unter Verwendung einer zwei- oder dreistufigen Hilfsregression. (3) Warum ändern sich Koeffizienten für die gleiche Erklärungsvariable, wenn weitere Erklärungsvariablen in das Modell aufgenommen werden? E IGENSCHAFTEN DER S CHÄTZER UND A NNAHMEN (1) Welche Eigenschaften besitzen die Kleinstquadratschätzer? (2) Warum sind die geschätzten Residuen nicht mit den geschätzten Y-Werten korreliert? (3) Zeigen Sie, daß es sich bei den Kleinstquadrateschätzern um lineare Schätzer handelt. (4) Warum ist die Kovarianz zwischen der exogenen Variable und der Störvariable Null? (5) Nennen Sie die Annahmen für die Schätzung eines Modells nach der Kleinstquadratmethode? (6) Was besagt die Annahme der Heteroskedastizität (formal und graphisch)? (7) Was besagt die Annahme der Autokorrelation (formal und graphisch)? (8) Warum muss die Zahl der Beobachtungen größer sein als die Zahl der zu schätzenden Parameter? (9) Was ist Multikollinearität? (10) Was passiert bei perfekter Multikollinearität mit den OLS-Schätzern? (11) Wozu wird die Annahme der Normalverteilung der Residuen eingeführt? (12) Womit kann die Annahme der Normalverteilung der Residuen begründet werden? H YPOTHESENTESTS ( T - UND F-TEST) (1) Was bedeutet der Standardfehler eines Schätzers? (2) Wie berechnet man die Standardfehler eines Schätzers? (3) Wozu benötigt man die Standardfehler der Schätzer? (4) Leiten Sie den Schätzfehler von beta 1 für ein Zwei-Variablen-Modell her. (5) Wie berechnet man die geschätzte Varianz der Residuen? (6) Erläutern Sie verbal die Intuition, warum die Standardfehler der Schätzer steigen, wenn die Residuenvarianz größer wird. (7) Erläutern Sie die Zahl der Freiheitsgrade bei der Ermittlung der Residuenvarianz? (8) Was ist das Bestimmtheitsmaß und wie kann man es berechnen? (9) Welche Werte kann das Bestimmtheitsmaß nur annehmen und warum? (10) Skizzieren sie die Ableitung des erwartungstreuen Schätzers für die Varianz der Residuen. (11) Zeigen Sie, dass der Schätzer für beta 1 erwartungstreu ist.
4 (12) Was besagt das Gauss-Markov Theorem? (13) Was besagt die Abkürzung BLUE? (14) Welche Verteilung weisen beta 0 und beta 1 auf, wenn die Residuen normalverteilt sind? (15) Wie kann die Annahme der Normalverteilung der Residuen begründet werden? (16) Was ist ein Konfidenzintervall? (17) Zeigen Sie, wie man ein Konfidenzintervall berechnet und begründen Sie die einzelnen Schritte. (18) Wie interpretiert man ein Konfidenzintervall? (19) Warum ist das Konfidenzintervall eine Zufallsgröße? (20) Was ist ein t-test? (21) In welchem Zusammenhang stehen t-test und Konfidenzintervall? (22) Warum ist ( βˆ 1 β1) σˆ u 2 x i t-verteilt und nicht standardnormalverteilt? (23) Berechnen Sie für folgendes Beispiel das 95% Konfidenzintervall von beta1: Variable Coefficient Std.Error t-value t-prob PartR^2 Constant X (beta 1) R^2 = 0.81 F(1,3) = [0.0374] \sigma = DW = 3.18 RSS = 1.9 for 2 variables and 5 observations (24) Führen Sie für das Beispiel in (23) einen t-test für beta 1 auf statistische Signifikanz der Variable X durch (alpha=0,05)? (25) Prüfen Sie, ob im Beispiel in (23) beta 1 statistisch signifikant von 1 abweicht (alpha=0,05). Welche Tests könnten Sie anwenden? (26) Wie testet man die Gesamtsignifikanz einer Regression? (27) Führen Sie eine Test auf Signifikanz der Gesamtregression für das Beispiel in (23) durch. Welchem Test gleicht dieser Test in diesem Fall? (28) Was bedeutet es für unser ökonomisches Modell, wenn wir für den F-Test auf Signifikanz der Gesamtregression nicht ablehnen können? (29) Erläutern Sie alle Informationen, die in dem Regressionsoutput in (23) angegeben sind. (30) Zeigen Sie, daß gilt: F ( ) ( ) emp. 2 ( ) 2 ESS / k 1 R / k 1 = = RSS / n k 1 R / n k H 0 ( ) ( ) (31) Erläutern Sie den F-Test auf lineare Restriktionen und nennen Sie einige mögliche Anwendungen für die Prüfung von ökonomischen Theorien. (32) Zeigen Sie, dass der F-Test auf Gesamtsignifikanz der Regression und der F-Test auf lineare Restriktionen bei gleicher Nullhypothese den gleichen empirischen F-Wert liefern. (33) Was sind TSS, ESS und RSS und wie viele Freiheitsgrade besitzen diese Ausdrücke jeweils? (34) Erläutern Sie die Vorgehensweise bei einem F-Test auf Strukturbruch anhand eines Beispiels. K ONSEQUENZEN DER V ERLETZUNG VON M ODELLANNAHMEN (1) Was ist Heteroskedastizität?
5 (2) Nennen Sie Ursachen für Heteroskedastizität. (3) Was sind die Folgen von Heteroskedasitizität bei der Kleinstquadratschätzung? (4) Welche Tests auf Heteroskedastizität kennen Sie? (5) Skizzieren Sie die Vorgehensweise beim Test von Goldfeld und Quandt. (6) Skizzieren Sie die Vorgehensweise beim Test von White. (7) Was sind die Unterschiede dieser Tests? (8) Was kann man beim Auftreten von Heteroskedastizität tun, um BLU-Schätzer zu erhalten? (9) Zeigen Sie, dass die Schätzfehler bei Heteroskedastizität von den Schätzfehlern bei Homoskedastizität abweichen. (10) Erläutern Sie graphisch einige mögliche Ausprägungen von Heteroskedasitzität. (11) Was ist Autokorrelation? (12) Was sind die Folgen von Autokorrelation bei der Kleinstquadratschätzung? (13) Welche Tests auf Autokorrelation kennen Sie? (14) Skizzieren Sie die Vorgehensweise beim Durbin-Watson Test. (15) Was versteht man unter positiver und negativer Autokorrelation ersten Grades und wie sehen solche Prozesse aus? (16) Warum ist Autokorrelation primär ein Problem bei Zeitreihenanalysen? (17) Zeigen Sie an einem Beispiel, wann z.b. auch in Querschnittsanalysen Autokorrelations auftreten kann. (18) Warum tritt Autokorrelation auf? (19) Zeigen Sie, daß gilt: d 21 ( ru, (Durbin-Watson d-test). t u ) t 1 (20) Warum gilt 0 d 4 (Durbin-Watson d-test)? (21) Vergleichen Sie den Durbin-Watson d-test mit dem Breusch-Godfrey Test auf Autokorrelation. (22) Welche Annahmen sind für die Interpretation des Durbin-Watson Testes notwendig? (23) Wie kann man das Auftreten von Autokorrelation bei der Schätzung berücksichtigen, um effiziente Schätzer zu erhalten? (24) Skizzieren Sie die iterative Prozedur nach Cochrane und Orcutt. (25) Was ist Multikollinearität? (26) Was sind die Folgen von Multikollinearität bei der Kleinstquadratschätzung? (27) Wie testet man auf Multikollineariät? (28) Welche Maßnahmen kann man ergreifen, um das Problem der Multikollinearität zu entschärfen? (29) Welche Probleme ergeben sich bei den jeweiligen Maßnahmen zu Entschärfung des Problems der Multikollinearität?
6 E RWEITERUNGEN DES EINFACHEN LINEAREN M ODELLS (1) Was ist eine Prognose, welche Arten von Prognosen kennen Sie? (2) Skizzieren Sie die Berechnung des Prognosefehlers. (3) Warum ist der Prognosefehler bei der Vorhersage individueller Werte größer als der Schätzfehler bei der Prognose der Mittelwerte? (4) Was ist ein Prognoseintervall?
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
Mehr2. 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
MehrDas (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
MehrJohn Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
Mehr1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
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
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
Mehr3. Das einfache lineare Regressionsmodell
3. Das einfache lineare Regressionsmodell Ökonometrie: (I) Anwendung statistischer Methoden in der empirischen Forschung in den Wirtschaftswissenschaften Konfrontation ökonomischer Theorien mit Fakten
Mehrx 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 =
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 3.6 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 6.. Herleitung des OLS-Schätzers
MehrKurs Empirische Wirtschaftsforschung
Kurs Empirische Wirtschaftsforschung 5. Bivariates Regressionsmodell 1 Martin Halla Institut für Volkswirtschaftslehre Johannes Kepler Universität Linz 1 Lehrbuch: Bauer/Fertig/Schmidt (2009), Empirische
MehrÖkonometrie. Hans Schneeweiß. 3., durchgesehene Auflage. Physica-Verlag Würzburg-Wien 1978 ISBN
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Hans Schneeweiß Ökonometrie 3., durchgesehene Auflage Physica-Verlag
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
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrAnnahmen des linearen Modells
Annahmen des linearen Modells Annahmen des linearen Modells zusammengefasst A1: Linearer Zusammenhang: y = 0 + 1x 1 + 2x 2 + + kx k A2: Zufallsstichprobe, keine Korrelation zwischen Beobachtungen A3: Erwartungswert
MehrSchätzung 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,
MehrProf. Dr. Marc Gürtler WS 2015/2016. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft
Prof. Dr. Marc Gürtler WS 015/016 Prof. Dr. Marc Gürtler Klausur zur 10/1 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft Lösungsskizze Prof. Dr. Marc Gürtler WS 015/016 Aufgabe 1: (11+5+1+8=56
MehrKapitel 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
MehrDiplomprüfung 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
MehrComputerübung 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
MehrLudwig von Auer. Ökonometrie. Eine Einführung. Dritte, überarbeitete Auflage mit 65 Abbildungen und 55 Tabellen. < J Springer
Ludwig von Auer Ökonometrie Eine Einführung Dritte, überarbeitete Auflage mit 65 Abbildungen und 55 Tabellen < J Springer Inhaltsverzeichnis 1 Einleitung 1 1.1 Braucht man ökonometriker? 1 1.2 Was ist
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
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
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrInferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung
Lehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung Aufgabe 1: [14,5 Punkte] Sie interessieren sich für die Determinanten
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
Mehr6.2 Lineare Regression
6.2 Lineare Regression Einfache lineare Regression (vgl. Kap. 4.7) Y i = θ 0 + θ 1 X i + ǫ i ǫ i (0, σ 2 ) ˆθ 1 ˆθ 0 = S XY S 2 X = 1 ( Yi n ˆθ ) 1 Xi als Lösung der Minimumaufgabe n (Y i θ 1 X 1 θ 0 )
MehrKapitel 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 }
MehrEinführung in die Ökonometrie
Peter Hackl Einführung in die Ökonometrie 2., aktualisierte Auflage Higher Education München Harlow Amsterdam Madrid Boston San Francisco Don Mills Mexico City Sydney a part of Pearson plc worldwide Einführung
MehrZusammenfassung: Einfache lineare Regression I
4 Multiple lineare Regression Multiples lineares Modell 41 Zusammenfassung: Einfache lineare Regression I Bisher: Annahme der Gültigkeit eines einfachen linearen Modells y i = β 0 + β 1 x i + u i, i {1,,
MehrLineare Regression und Varianzanalyse
Lineare Regression und Varianzanalyse Von Prof. Dr. Fritz Pokropp Universität der Bundeswehr Hamburg R. Oldenbourg Verlag München Wien Inhaltsverzeichnis 1 Einleitung 1 1.1 Grundstruktur linearer Modelle
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
Mehr7., durchgesehene und aktualisierte Auflage
Ludwig von Auer Ökonometrie Eine Einführung 7., durchgesehene und aktualisierte Auflage ^ Springer Gabler Inhalt 1 Einleitung 1 1.1 Braucht man Ökonometriker? 1 1.2 Was ist Ökonometrie? 2 1.3 Die vier
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,
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrQuantitative Methoden der Agrarmarktanalyse und des Agribusiness
Quantitative Methoden der Agrarmarktanalyse und des Agribusiness Teil Quantitative Methoden der Agrarmarktanalyse Vorlesung: Montag und Mittwoch 8:30-10:00 Dr. Bernhard Brümmer Tel.: 0431-880-4449, Fax:
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung
Lehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung Aufgabe 1: [14,5 Punkte] Sie interessieren sich für die Determinanten
MehrStatistik II. Regressionsanalyse. Statistik II
Statistik II Regressionsanalyse Statistik II - 23.06.2006 1 Einfachregression Annahmen an die Störterme : 1. sind unabhängige Realisationen der Zufallsvariable, d.h. i.i.d. (unabh.-identisch verteilt)
MehrEinführung in die Ökonometrie
Einführung in die Ökonometrie Peter Hackl ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Vorwort... 19 1 Einführung...
Mehr1 Gliederung Zeitreihenökonometrie. Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09. Dr. Sylvia Kaufmann.
Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09 Dr Sylvia Kaufmann Februar 2009 Angewandte Ökonometrie, Sylvia Kaufmann, FS09 1 1 Gliederung Zeitreihenökonometrie Einführung
Mehry 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
MehrLudwig von Auer. Ökonometrie. Eine Einführung. 6., durchgesehene und aktualisierte Auflage. Springer Gabler
Ludwig von Auer Ökonometrie Eine Einführung 6., durchgesehene und aktualisierte Auflage Springer Gabler Inhaltsverzeichnis 1 Einleitung 1 1.1 Braucht man ökonometriker? 1 1.2 Was ist Ökonometrie? 2 1.3
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrPrognoseintervalle 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
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
MehrMethoden der Ökonometrie
Dr. Matthias Opnger Lehrstuhl für Finanzwissenschaft WS 2013/14 Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 1 / 21 Dr. Matthias Opnger Büro: C 504 Sprechzeit: nach Vereinbarung E-Mail: opnger@uni-trier.de
MehrV. Das lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Tino Conrad, M.Sc. Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2016 Übung zur
Mehr3.3 Konfidenzintervalle für Regressionskoeffizienten
3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird
MehrEinführung in die Ökonometrie
Einführung in die Ökonometrie Inhaltsverzeichnis Vorwort 19 1 Einführung 21 1.1 Der Begriff Ökonometrie" 22 1.2 Ökonometrische Modellierung 23 l.a Aufgaben 24 l.a.l Empirische Anwendungen 24 l.a.2 Allgemeine
MehrLineare Regression mit einem Regressor: Einführung
Lineare Regression mit einem Regressor: Einführung Quantifizierung des linearen Zusammenhangs von zwei Variablen Beispiel Zusammenhang Klassengröße und Testergebnis o Wie verändern sich Testergebnisse,
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
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
Breusch-Pagan-Test I Ein weiterer Test ist der Breusch-Pagan-Test. Im Gegensatz zum Goldfeld-Quandt-Test ist es nicht erforderlich, eine (einzelne) Quelle der Heteroskedastizität anzugeben bzw. zu vermuten.
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
MehrDiplomprüfung im Fach Ökonometrie im SS Aufgabenteil
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Diplomprüfung im Fach Ökonometrie im SS 2009 - Aufgabenteil Name, Vorname Matrikelnr. Studiengang Semester Datum
MehrSchätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung
MehrSpringer-Lehrbuch. Ökonometrie. Eine Einführung. von Ludwig Auer. 5. überarb. u. erw. Aufl.
Springer-Lehrbuch Ökonometrie Eine Einführung von Ludwig Auer 5. überarb. u. erw. Aufl. Ökonometrie Auer schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG Springer-Verlag Berlin Heidelberg
MehrDie Stochastischen Eigenschaften von OLS
Die Stochastischen Eigenschaften von OLS Das Bivariate Modell Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Wiederholung
MehrWiederholungsübungen 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,
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrModell (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
MehrMultivariate 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
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
Mehr2.5 Lineare Regressionsmodelle
2.5.1 Wiederholung aus Statistik I Gegeben Datenpunkte (Y i, X i ) schätze die beste Gerade Y i = β 0 + β 1 X i, i = 1,..., n. 2 Induktive Statistik 409 Bsp. 2.30. [Kaffeeverkauf auf drei Flohmärkten]
MehrEmpirische Wirtschaftsforschung in R
Empirische Wirtschaftsforschung in R Schätzung der keynesianischen Geldnachfragefunktion auf Basis von Daten der dänischen Volkswirtschaft Jonas Richter-Dumke Universität Rostock, Institut für Volkswirtschaftslehre
MehrStatistik II: Signifikanztests /2
Medien Institut : Signifikanztests /2 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Korrelation 2. Exkurs: Kausalität 3. Regressionsanalyse 4. Key Facts 2 I
Mehr4. Das multiple lineare Regressionsmodell
4. Das multiple lineare Regressionsmodell Bisher: 1 endogene Variable y wurde zurückgeführt auf 1 exogene Variable x (einfaches lineares Regressionsmodell) Jetzt: Endogenes y wird regressiert auf mehrere
Mehr1. Lösungen zu Kapitel 7
1. Lösungen zu Kapitel 7 Übungsaufgabe 7.1 Um zu testen ob die Störterme ε i eine konstante Varianz haben, sprich die Homogenitätsannahme erfüllt ist, sind der Breusch-Pagan-Test und der White- Test zwei
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte : Schätzung Statistik
MehrPrüfung aus Statistik 2 für SoziologInnen
Prüfung aus Statistik 2 für SoziologInnen 11. Oktober 2013 Gesamtpunktezahl =80 Name in Blockbuchstaben: Matrikelnummer: Wissenstest (maximal 16 Punkte) Kreuzen ( ) Sie die jeweils richtige Antwort an.
MehrBachelorprüfung 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
MehrStatistik II Übung 3: Hypothesentests
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
MehrDas lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Das ökonomische
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrStatistik II Übung 3: Hypothesentests Aktualisiert am
Statistik II Übung 3: Hypothesentests Aktualisiert am 12.04.2017 Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief. Statistik II
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Wiederholung Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte
MehrEconometrics 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,
MehrAppendix. Kapitel 2. Ökonometrie I Michael Hauser
1 / 24 Appendix Kapitel 2 Ökonometrie I Michael Hauser 2 / 24 Inhalt Geometrie der Korrelation Freiheitsgrade Der OLS Schätzer: Details OLS Schätzer für Okuns s law nachgerechnet Anforderungen an Theorien
MehrEmpirische Wirtschaftsforschung
Thomas K. Bauer Michael Fertig Christoph M. Schmidt Empirische Wirtschaftsforschung Eine Einführung ß 361738 4y Springer Inhaltsverzeichnis 1 Wichtige Konzepte der Statistik - Eine Einführung 1 1.1 Die
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrZiel der linearen Regression
Regression 1 Ziel der linearen Regression Bei der linearen Regression wird untersucht, in welcher Weise eine abhängige metrische Variable durch eine oder mehrere unabhängige metrische Variablen durch eine
MehrBachelorprüfung 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.
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 12.11.2002 He uses statistics as a drunken man use lampposts - for support rather than for illumination. Andrew Lang Dr. Wolfgang Langer
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
Mehr11. Übungsblatt zur Vorlesung Ökonometrie SS 2014
Universität des Saarlandes Lehrstab Statistik Dr. Martin Becker Dipl.-Kfm. Andreas Recktenwald 11. Übungsblatt zur Vorlesung Ökonometrie SS 2014 Aufgabe 45 Die in Aufgabe 43 getroffene Annahme heteroskedastischer
MehrStatistik II 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