ÜBUNGSSKRIPTUM zur VO Lineare Modelle
|
|
- Wilfried Schuler
- vor 5 Jahren
- Abrufe
Transkript
1 ÜBUNGSSKRIPTUM zur VO Lineare Modelle [Letztes Update: 20. Jänner 2010] I. Momente von Stichproben und Zufallsvariablen Verwenden Sie für die Lösung der folgenden Aufgaben das Handout Moments and Sample Moments. 1. a) Für die Stichprobenkovarianz s x,y von x 1,..., x n und y 1,..., y n gilt, dass ** s x,y = 1 n x i (y i y) = 1 n (x i x)y i = 1 n x i y i x y. b) Für α > 0 und β > 0 bezeichnet αx die Stichprobe αx 1,..., αx n, und βy die Stichprobe βy 1,..., βy n. Zeigen Sie, dass dann s αx,βy = αβs x,y gilt. Für die Stichprobenkorrelation hingegen gilt für α > 0, β > 0, s x,x > 0, und s y,y > 0, dass r αx,βy = r x,y. c) Wieso ist, falls s x,x > 0 und s y,y > 0, 1 r x,y 1? Hinweis: Verwenden Sie die Cauchy-Schwarz-Ungleichung für Vektoren im R n. 2. Es seien X und Y Zufallsvariable mit E(X) = µ X, E(Y ) = µ Y. ** a) Für die Kovarianz σ X,Y von X und Y gilt: σ X,Y = E(X(Y µ Y )) = E((X µ X )Y ) = E(XY ) µ X µ Y. b) Für α > 0 und β > 0 ist σ αx,βy = αβσ X,Y. Für die Korrelation hingegen gilt: ist σ X,X > 0 und σ Y,Y α > 0, β > 0 ρ αx,βy = ρ X,Y. > 0, so ist für c) Wieso ist 1 ρ X,Y 1, falls σ X,X > 0 und σ Y,Y > 0? Hinweis: Verwenden Sie die Cauchy-Schwarz-Ungleichung für Zufallsvariablen. 1
2 3. a) Sind X 1,..., X n unkorreliert mit E(X 1 ) = = E(X n ) = 0, so ist ** ( n ) 2 E X i = E(Xi 2 ). b) Sind X 1,..., X n unkorreliert und α i, β i R für i = 1,..., n, so ist ( n ) Cov α i X i, β i X i = α i β i Var(X i ). A. Es sei X 1,..., X n i.i.d. mit Erwartungswert µ := E[X i ] und Varianz σ 2 := ** Var[X i ] = E[(X i µ) 2 ]. Zeigen Sie, dass σ 2 = 1 n 1 (X i X) 2 ein unverzerrter Schätzer für σ 2 ist, wobei X = 1 n n X i das arithmetische Mittel bezeichnet. B. Es sei (X i, Y i ) ein Sample aus einer bivariaten Verteilung mit Kovarianz σ X,Y := * E[(X i E[X i ])(Y i E[Y i ])]. Unter der Annahme, dass µ Y zeige man, dass ˆσ X,Y = 1 n ein unverzerrter Schätzer für σ X,Y ist. X i (Y i µ Y ) := E[Y i ] bekannt ist, 2
3 II. Lineare Ein- und Zweivariablen-Modelle In den folgenden 5 Beispielen sei das Modell y i = a + bx i + u i mit den Standardannahmen gegeben; siehe Handouts Regression Model and Assumptions und Statistical Properties of OLS-Estimators. 4. a) Weshalb wird n (y i a bx i ) 2 durch die KQ-Schätzer â und ˆb minimiert? ** b) Warum sind diese Schätzer im gegebenen Modell unverzerrt? * 5. Welche Beziehungen gelten zwischen ESS, TSS und RSS? Warum gelten diese ** Beziehungen? 6. Es seien z i = c + dx i. Zeigen Sie s z,û = 0. * 7. Es sei ˆβ der Kleinstquadrate-Schätzer für den unbekannten Parameter β. Weiters ** sei x 1 x n und β = (y n y 1 )/(x n x 1 ). Beweisen Sie, dass Var[ β] > Var[ ˆβ], wenn σ 2 > 0 und x (x 1 + x n )/2. Verwenden Sie dazu die Formeln Var[ β] = 2σ 2 (x n x 1 ) 2 und Var[ ˆβ] = σ 2 n (x i x) Gauß-Markov-Theorem für den Intercept. Es sei y i = a + bx i + u i das ** einfache lineare Regressionsmodell unter den Annahmen 1 5 mit σ 2 > 0; a und b sind unbekannte reelle Parameter. Für jeden linearen, unverzerrten Schätzer a von a gilt Var[a ] Var[â], wobei man Gleichheit nur im Fall a = â hat. Beweisen Sie diese Aussagen. 9. Gegeben seien die folgenden Daten * x : y : a) Berechnen Sie die KQ-Schätzer â und ˆb für das Modell y i = a + bx i + u i. b) Veranschaulichen Sie die Einpassung der Regressionsgeraden in den Punktschwarm durch eine Zeichnung. c) Ermitteln und interpretieren Sie die Stichprobenkorrelation r x,y. 3
4 Zur geometrischen Interpretation des KQ-Schätzers. Betrachten Sie in den folgenden Beispielen das Modell y i = a + bx i + u i für i = 1,..., n in Vektorenschreibweise: für y = (y 1,..., y n ), i = (1,..., 1), x = (x 1,..., x n ), und u = (u 1,..., u n ) ist y = ai + bx + u. Die mit Hilfe der KQ-Schätzer berechneten Werte ŷ 1,..., ŷ n, sowie die Residuen û 1,..., û n lassen sich entsprechend als Vektoren schreiben: ŷ = (ŷ 1,..., ŷ n ), und û = (û 1,..., û n ) = y ŷ. 10. Gegeben seien die Daten * x : y : zu dem Modell y i = a + bx i + u i mit i = 1, 2, 3. a) Fertigen Sie im R 3 eine Zeichnung der Punkte i = (1, 1, 1), x = (0, 1, 2), y = (0, 1, 1), und des durch die KQ-Schätzer berechneten Punktes ŷ = (ŷ 1, ŷ 2, ŷ 3 ) an. b) Berechnen Sie die Winkel zwischen x und y ŷ, sowie zwischen i und y ŷ. 11. Es sei {v 1,..., v k } R n ein sogenanntes Orthonormalsystem, d.h. { v iv 1 i = j, j = 0 sonst. Sei weiters E der von diesen Vektoren aufgespannte lineare Teilraum von R n, also E := {λ 1 v λ k v k : λ 1,..., λ k R} und p ein beliebiger Vektor im R n. a) Finden Sie jenen Vektor ˆp E, der minimalen Abstand zu p hat. ** b) Zeigen Sie, dass * p ˆp v 1,..., v k. Das bedeutet zusammen mit 11a), dass man p orthogonal zerlegt hat in ˆp E und p ˆp E, wobei E definiert ist als die Menge jener Vektoren im R n, die orthogonal auf alle Vektoren aus E stehen, also E = {x R n : x v = 0 für alle v E}, Der Teilraum E R n heißt orthogonales Komplement zu E. c) Zeigen Sie, dass die obige orthogonale Zerlegung ** p = ˆp + (p ˆp) im folgenden Sinne eindeutig ist: Sei p = q + r, q E, r E eine weitere orthogonale Zerlegung, dann gilt bereits, dass q = ˆp und r = p ˆp. 4
5 Hinweis: Berechnen Sie zunächst p v für v E, einmal für p = ˆp+(p ˆp) und einmal mit p = q + r. Beachten Sie dann, dass v v = 0 stets v = 0 impliziert. 12. Zu dem Modell y = ai + bx + u mit i = (1,..., 1) seien x = (x 1,..., x n ) und ** die Daten y = (y 1,..., y n ) gegeben. a) Zeigen Sie, dass der durch die KQ-Schätzer â und ˆb gegebene Punkt ŷ = (ŷ 1,..., ŷ n ) in der von x und i aufgespannten Ebene liegt. b) Zeigen Sie, dass der Vektor y ŷ orthogonal zu i und x ist. 13. Wie lassen sich Formeln wie û = 1 n i û = 0, s x,û = 0, sŷ,û = 0, oder T SS = ** ESS + RSS geometrisch interpretieren? Hinweis: Die Formel T SS = ESS + RSS folgt aus dem Satz von Pythagoras. Beachten Sie dabei, dass û orthogonal auf i steht. In den folgenden Aufgaben sei das homogene, d.h. Intercept ist α = 0, Modell y i = bx i + u i gegeben. Weiters gelte E(u i ) = 0, E(u 2 i ) = σ2, E(u i u j ) = 0, und x i nicht zufällig, i = 1,..., n. 14. a) Für welchen Wert b ist n (y i bx i ) 2 minimal? Wann ist dieses Minimum * eindeutig? b) Nehmen Sie an, das obige Minimum sei wohldefiniert. Zeigen Sie, dass der ** Schätzer b im gegebenen Modell unverzerrt ist und bestimmen Sie dessen Varianz. c) Für i = 1,..., n sei ỹ i = bx i und ũ i = y i ỹ i. Zeigen Sie, dass in diesem Modell die Beziehung (y i y) 2 = im allgemeinen nicht erfüllt ist. (ỹ i ỹ) 2 + (ũ i ũ) 2 Hinweis: Es seien Daten (x 1, y 1 ) = (1, 1), (x 2, y 2 ) = (0, 1) gegeben. Berechnen Sie zunächst b, ỹ und ũ. 15. a) Formulieren Sie das Gauß-Markov Theorem für den KQ-Schätzer b des ho- * mogenen Modells aus Beispiel 14. b) Beweisen Sie das Gauß-Markov Theorem aus 15a). ** Hinweis: Übertragen Sie die Schritte im Beweis für das inhomogene Modell. 16. Betrachten Sie im homogenen Modell y i = bx i +u i unter den Standardannahmen ** die Schätzer b = xy/xx und ˆb = (xy x y)/(xx x x). 5
6 a) Sind diese Schätzer linear? b) Sind diese Schätzer unverzerrt? c) Welche Aussagen können Sie über die Varianzen der Schätzer b und ˆb mit Hilfe des Gauß-Markov Theorems treffen, ohne die Varianzen tatsächlich auszurechnen? d) Berechnen Sie die Varianzen der Schätzer b und ˆb. e) Welcher der Schätzer b und ˆb ist der beste lineare unverzerrte Schätzer für b im Modell y i = bx i + u i unter den Standardannahmen und ohne Zusatzinformation? 17. Betrachten Sie im inhomogenen Modell y i = a + bx i + u i unter den Standardan- ** nahmen die Schätzer b = xy/xx und ˆb = (xy x y)/(xx x x). a) Sind diese Schätzer linear? b) Berechnen Sie den Bias von b und ˆb. c) Berechnen Sie die Varianzen der Schätzer b und ˆb. 18. Sei b wie in Aufgabe 14. Weiters seien die Daten gegeben. x : y : a) Berechnen Sie b, ũ i = y i bx i, sowie 10 ũi. b) Berechnen Sie zu den Daten und unter der Annahme, dass y i = a + bx i + u i ist, die KQ-Schätzer â und ˆb, sowie û i und 10 ûi. c) Vergleichen Sie die Werte von 10 ũi und 10 ûi. Vergleichen Sie die Werte von 10 ũ2 i und 10 û2 i. Für die folgende Aufgabe benötigen Sie Informationen aus den Handouts zu den Themen Distribution Theory in the Linear Regression Model und Estimation of the Error Variance. 19. In order to investigate the feasability of starting a Sunday edition for a large metropolitan newspaper, information was obtained from a sample of 34 newspapers concerning their daily and Sunday circulations (in thousands) (Source: Gale Directory of Publications, 1994). The data can be retrieved from a) Construct a scatter plot of Sunday circulation versus daily circulation. Does the plot suggest a linear relationship between daily and Sunday circulation? Do you think this is a plausible relationship? 6
7 b) Fit a regression line predicting Sunday circulation from daily circulation. c) Obtain the 95% confidence intervals for a and b. d) Is there a significant relationship between Sunday circulation and daily circulation? Justify your answer by a statistical test. Indicate what hypothesis you are testing and your conclusion. e) What proportion of the variability in Sunday circulation is accounted for by daily circulation? f) The particular newspaper that is considering a Sunday circulation has a daily circulation of Provide an interval estimate (based on 95% level ) for the true average Sunday circulation of newspapers with daily circulation of g) Provide an interval estimate (based on 95% level ) for the true average Sunday circulation of newspapers with daily circulation of Do you think it is likely to be accurate? To perform the statistical tests and to construct the confidence intervals, assume that the data follows a linear regression model under the standard assumptions with independent and identically normal distributed errors. 7
8 III. Wiederholung lineare Algebra 20. Gegeben seien die Matrizen * A = ( ), B = a) Berechnen Sie JA, JB, und J = b) AJ und BJ. Wie kann man in den Punkten a) und b) die Multiplikation mit J interpretieren? c) Berechnen Sie auch AB und schreiben Sie jede Zeile (Spalte) dieser Matrix als Linearkombination der Zeilen von B (Spalten von A). 21. Seien A und B wie in Beispiel 20. a) Berechnen Sie (AB), B A, b) (AC) und C A für C = Es sei A eine n m und B eine m k Matrix. Zeigen Sie, dass dann ** (AB) = B A gilt. 23. Es sei W eine zufällige n m und B eine nicht-zufällige m k Matrix. Zeigen * Sie, dass E[W B] = E[W ]B gilt. 24. Es sei Z eine n m Matrix und α ein m 1-Vektor. Berechnen Sie den Gradienten ** F (α) der Funktion F : R m R, F (α) = α Z Zα. Zeigen Sie weiters, dass F (α) = 2Z Zα gilt. 25. Beschreiben Sie die Begriffe positiv definit, nichtnegativ definit, negativ definit, und indefinit. Teilen Sie dazu die Menge aller n n Matrizen in geeignete Klassen ein (Venn-Diagramm). 26. Gegeben sei die Matrix A = ( ). 8
9 a) Zeigen Sie sowohl mit Hilfe der Hauptminoren als auch mit Hilfe der Eigenwerte, dass die Matrix A positiv definit ist. b) Bestimmen Sie Eigenvektoren der Länge 1 zu den Eigenwerten der Matrix A. c) Überprüfen Sie anhand dieses Beispiels die allgemeine Regel, dass die zu verschiedenen Eigenwerten einer symmetrischen Matrix gehörende Eigenvektoren stets paarweise orthogonal sind. d) Zeigen Sie allgemein, dass zu verschiedenen Eigenwerten λ 1 λ 2 einer symmetrischen Matrix A gehörende Eigenvektoren v 1, v 2 stets paarweise orthogonal sind. 27. Zeigen Sie, dass für eine positiv definite n n Matrix B jedes Diagonalelement b ii positiv ist. Hinweis: Drücken Sie b ii in der Form x Bx für geeignetes x R n aus. 28. a) Seien A und B zwei n n-matrizen. Zeigen Sie, dass tr(a + B) = tr(a) + tr(b) tr(λa) = λ tr(a) b) Sei A eine n m- und B eine m n-matrix. Zeigen Sie, dass tr(ab) = tr(ba). 29. Zeigen Sie, dass es unmöglich ist, zwei Matrizen A und B zu finden, sodass * AB BA = I gilt. Hinweis: Verwenden Sie Beispiel Es seien A = und B = Überzeugen Sie sich, dass det(ab) = det(a) det(b) gilt. Verwenden Sie in den nächsten 3 Aufgaben u.a. folgendes Resultat. Jede symmetrische n n Matrix Ω besitzt n paarweise orthogonale Eigenvektoren u 1,..., u n. Normiert man diese n Vektoren und fasst sie zu einer Matrix U = [u 1 u n ] zusammen, so gilt: U U = I, U = U 1, und Ω = U diag(λ 1,..., λ n ) U, wobei u i Eigenvektor zum Eigenwert λ i ist und diag(λ 1,..., λ n ) eine Diagonalmatrix mit Eintragungen λ i in der Hauptdiagonale bezeichnet. 31. Zeigen Sie die folgenden Aussagen: 9
10 a) Ist eine symmetrische Matrix Ω idempotent, so können Ihre Eigenwerte nur ** die Werte 0 oder 1 annehmen. Hinweis: Wegen der Einleitung gibt es zu jeder symmetrischen n n Matrix Ω eine invertierbare Matrix U, so dass U ΩU eine Diagonalmatrix ist. Zeigen Sie zunächst, dass für eine idempotente Matrix Ω auch U ΩU idempotent ist. b) Für jede symmetrische, idempotente Matrix Ω gilt spur(ω) = rang(ω). ** Hinweis: Führen Sie folgende Rechnung fort. spur(ω) = spur(i n Ω) = spur(uu Ω) =... Beachten Sie dann, dass die Spur und der Rang für Diagonalmatrizen, deren Diagonalelemente nur 0 oder 1 sind, übereinstimmen. c) Bestimmen Sie unter Zuhilfenahme von b) den Rang der Matrix ** M = I X(X X) 1 X wobei X eine n k Matrix mit rang(x) = k ist. 32. Wurzel einer nicht-negativ definiten Matrix. Zeigen Sie, dass zu jeder symmetrischen und nicht-negativ definiten Matrix Ω eine Matrix R existiert, sodass Ω = RR gilt. Ist Ω symmetrisch und positiv definit, so ist auch R positiv definit. Hinweis: Wegen der Einleitung gilt Ω = UΛU. Zeigen Sie zunächst, dass sich Λ in der Form Λ = QQ schreiben lässt. 10
11 IV. Das allgemeine Modell in Matrixschreibweise 33. a) Formulieren Sie das einfache Regressionsmodell y i = a+bx i +u i, i = 1,..., n ** in Matrix-Schreibweise y = Xβ+u. Überprüfen Sie, ob die Standardannahmen des allgemeinen Modells unter den Standardannahmen des einfachen Modells erfüllt sind. b) Bestimmen Sie die Formeln für die KQ-Schätzer für a und b aus der Formel ** ˆβ = (X X) 1 X y. Weshalb ist X X invertierbar? Zeigen Sie insbesondere, dass sich die KQ-Schätzer allein durch die Stichprobenmittel x und y, sowie durch die Stichprobenvarianzen und -kovarianzen s x,x, s y,y und s x,y ausdrücken lassen. Die Vektorkomponenten ˆβ 1, ˆβ 2 stimmen also mit den Schätzern â, ˆb aus Aufgabe 4 überein. 34. Zeigen Sie, daß der KQ-Schätzer ˆβ für β im linearen Modell Y = Xβ + u die ** a) Bedingung 1. Ordnung, b) Bedingung 2. Ordnung für ein Minimum von Y Xβ erfüllt. Zeigen Sie hier auch, dass X X genau dann positiv definit ist, wenn rang(x) = k gilt. Leiten Sie in a) und b) jeweils die gesuchten Bedingungen her. 35. Prüfen Sie folgende Eigenschaften des KQ-Schätzers ˆβ für β im linearen Modell * Y = Xβ + u, wobei β R k, und X eine n k Matrix von vollem Spaltenrang sei. X û = 0, Ŷ û = 0, Wo verwendet man, dass X Rang k hat? ˆβ = β + (X X) 1 X u. 36. Betrachten Sie das lineare Modell Y = Xβ + u, wobei β R k, und X eine n k ** Matrix von vollem Spaltenrang sei. a) Zeigen Sie, dass die Matrix M = I n X(X X) 1 X folgende Eigenschaften hat. MX = 0, M = M, M 2 = M, b) Zeigen Sie, dass sich der Residuenvektor û als û = Mu darstellen lässt. Bemerkung: gilt. Aus Aufgabe 31c) wissen wir, dass rang(m) = spur(m) = n k 11
12 37. Bestimmen Sie Erwartungswert und Varianz-Kovarianz Matrix des KQ-Schätzers ˆβ im linearen Modell Y = Xβ + u unter den Standardannahmen. Erklären Sie, wo diese Annahmen verwendet werden. 38. Bestimmen Sie den Erwartungswert der Varianzschätzers ˆσ 2 = 1 n k im linearen Modell Y = Xβ + u unter den Standardannahmen. 39. Betrachten Sie das Modell t=1 û 2 t y t = β 1 x t,1 + β 2 x t,2 + β 3 x t,3 + β 4 x t,4 + u t unter den Standardannahmen mit n = 10. Die Daten finden Sie unter a) Berechnen Sie den KQ-Schätzer ˆβ für β = (β 1, β 2, β 3, β 4 ). b) Berechnen Sie den Schätzer ˆσ 2 für die Varianz der u t. Berechnen Sie weiters die Matrix ˆσ 2 (X X) 1 als Schätzer für die Varianz-Kovarianz Matrix des KQ-Schätzers, also für σ 2 (X X) 1. c) Berechnen Sie R 2. d) Berechnen Sie den Prognosewert ŷ f zu x f,1 = 1, x f,2 = 0.5, x f,3 = 0.7 und x f,4 = Zeigen Sie im Modell Y = Xβ + u die Beziehung (y t ȳ) 2 = (ŷ t ŷ) 2 + t=1 t=1 t=1 unter der Annahme, dass X den Spaltenvektor (1,..., 1) enthält. û 2 t 12
13 V. Normalverteilung und Lineare Transformationen 41. Sei Z N(0, I 2 ) bivariat normalverteilt, und sei A ein 1 2 Zeilenvektor, A (0, 0). Geben Sie die Verteilung von AZ an. Besitzt AZ eine Dichte? Was erhält man speziell für A = (1, 0)? 42. Sei Z N(0, I 2 ) bivariat normalverteilt, und sei A eine 2 2 Matrix mit vollem Rang. Geben Sie die Verteilung und (durch Einsetzen in die Formel) auch die Dichte von AZ an, und zwar für a) ( A = ), b) ( A = a 11 a 12 a 21 a 22 ). 43. Zeigen Sie, dass jede Varianz-Kovarianz Matrix symmetrisch und nichtnegativ definit ist. 44. Sei Z eine auf R n normalverteilte Zufallsvariable mit Erwartungswert 0 (der ** Null-Vektor) und Varianz-Kovarianz Matrix Σ, also Z N(0, Σ). Zeigen Sie: Ist Σ regulär, so existiert eine reguläre n n Matrix S, sodass S 1 Z N(0, I n ). Hinweis: Verwenden Sie Aufgabe Es sei Z = (Z 1, Z 2 ) ein bivariat normalverteilter Zufallsvektor mit Erwartungs- ** wert (µ 1, µ 2 ) und VC-Matrix Σ. Zeigen Sie, dass, sofern Z 1 und Z 2 unkorreliert sind, diese auch unabhängig sind. 46. Gegeben sei folgende reellwertige Funktion auf R 2 : { 1 f(x, y) = π exp{ x2 +y 2 2 } falls x > 0, y > 0 oder x < 0, y < 0 0 sonst Zeigen Sie folgende Aussagen. a) Die Funktion f(x, y) ist eine Dichte auf R 2, d.h. f(x, y) ist nicht-negativ, ** und f(x, y) dxdy = 1. Verwenden Sie dazu 1 2π exp s2 2 ds = 1. b) Ist W = (W x, W y ) eine bivariate Zufallsvariable mit der Dichte f(x, y), so ** sind W x und W y normalverteilt. c) Ist W = (W x, W y ) eine bivariate Zufallsvariable mit der (oben definierten) ** Dichte f(x, y), so sind W x und W y unkorreliert aber nicht unabhängig. 13
14 VI. Statistische Hypothesen 47. Betrachten Sie das Modell Y = Xβ + u mit β R k und Stichprobengrösse n unter den Standardannahmen. Es sei ˆβ der KQ-Schätzer aus diesem Modell und es sei β der restringierte KQ-Schätzer unter der Restriktion Rβ = r. Dabei sei R eine q k Matrix vom Rang q, und r ein q 1 Vektor. Entsprechend sei û = Y X ˆβ der Vektor der unrestringierten Residuen und RSS deren Quadratsumme, sowie u = Y Xβ der Vektor der restringierten Residuen und RSS deren Quadratsumme. Zeigen Sie: a) u = û + X(ˆβ β ). b) u u = û û + (ˆβ β ) X X(ˆβ β ). c) Die F -Statistik zum Testen der Hypothese H 0 : Rβ = r lässt sich schreiben als F = RSS RSS RSS n k. q 48. Die Einfuhr von Ceylontee in die USA wird durch folgende Gleichung modelliert. wobei log Q = β 0 + β 1 log P C + β 2 log P I + β 3 log P B + β 4 log Y + u, Q die Importe von Ceylontee in die USA, P C den Preis von Ceylontee, P I den Preis von Indischem Tee, P B den Preis von Brasilianischem Kaffee, und Y das verfügbare Einkommen bezeichnen. Aus n = 22 Beobachtungen ergaben sich folgende KQ-Schätzer: Unter der Hypothese H 0 : β 1 = 1, β 2 = 0 ergeben sich die restringierten Schätzer β 0 = (0.820), β 3 = (0.155), und β 4 = (0.165), wobei die Zahlen in Klammer die geschätzten Standardabweichungen angeben. Die Residuenquadratsumme im restringierten Modell beträgt RSS = Die unrestringierten Schätzer sind ˆβ 0 = (2.000), ˆβ 1 = (0.987), ˆβ 2 = (0.690), ˆβ 3 = (0.134), und ˆβ 4 = (0.370). Die Residuenquadratsumme im unrestringierten Modell beträgt RSS = Testen Sie die Hypothese H 0 gegen die Alternative H 1 : β 1 1 oder β 2 0 auf dem Signifikanzniveau α = 0.05 und diskutieren Sie die ökonomische Implikation des Ergebnisses. 14
15 49. In der Cobb-Douglas-Produktionsfunktion Y = γa α K β ist von Interesse, ob α+ β > 1 ist ( zunehmende Skalenerträge ). Nach einer logarithmischen Transformation gelangen wir zu einer linearen Funktion log Y = log γ +α log A+β log K. Mit Hilfe von Querschnitts- oder Zeitreihendaten können nun α und β geschätzt werden und anschließend die Linearkombination α + β. Erhält man ˆα + ˆβ > 1, so ist das nicht unbedingt ein Indiz dafür, dass wirklich α + β > 1 ist. Vielmehr muss ˆα + ˆβ signifikant größer als 1 sein. Das aber kann nur geprüft werden, wenn die Varianz von ˆα + ˆβ bekannt ist. Man berechne die Varianz von ˆα + ˆβ und entwickle daraus einen Test für die Hypothese H 0 : α + β = 1 gegen die Alternative H A : α + β > 1, unter der Annahme, dass die Messwerte log Y mit iid N(0, σ 2 )-verteilten Fehlern behaftet sind. 50. Gegeben seien die folgenden Zweivariablenmodelle (1) Y t = α 1 + β 1 x t + u t t = 1,..., n 1 (2) Y t = α 2 + β 2 x t + u t t = n 1 +1,..., n 1 +n 2 =: n. a) Zeigen Sie, dass sich (1) und (2) zu dem Modell Y = Xδ + u mit δ = (α 1, β 1, α 2, β 2 ) und geeigneter Matrix X zusammenfassen lassen. Geben Sie die Matrix X in Abhängigkeit von X 1 und X 2 an. b) Zeigen Sie, dass sich (1) und (2) unter der Restriktion α 1 = α 2 und β 1 = β 2 zu dem Modell Y = Zθ + u mit θ = (α, β) und Z = [X 1 X 2 ] zusammenfassen lassen. Geben Sie jeweils die Größen für Y, Z und u an. 51. Es sei ˆβ = (ˆβ 1, ˆβ 2) der KQ-Schätzer aus dem allgemeinen Regressionsmodell Y = X 1 β 1 +X 2 β 2 +u (*) unter den Standardannahmen. Sei ˆδ 1 der KQ-Schätzer der Regression von Y auf X 1. a) Zeigen Sie, dass folgende Beziehung gilt: ˆδ 1 = ˆβ 1 + (X 1X 1 ) 1 X 1X 2 ˆβ2. b) Berechnen Sie den Bias von ˆδ 1 für β 1 im Modell(*). Unter welchen Umständen ist ˆδ 1 unverzerrt für β 1? 15
y = b 0 + b 1 x 1 x 1 ε 1. ε n b + b 1 1 x n 2) Hat die Größe x einen Einfluss auf y, d.h. gilt die Hypothese: H : b 1 = 0
8 Lineare Modelle In diesem Abschnitt betrachten wir eine spezielle Klasse von statistischen Modellen, in denen die Parameter linear auftauchen Wir beginnen mit zwei Beispielen Beispiel 8 (lineare Regression)
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
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 =
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
MehrProf. Dr. Fred Böker
Statistik III WS 2004/2005; 8. Übungsblatt: Lösungen 1 Prof. Dr. Fred Böker 07.12.2004 Lösungen zum 8. Übungsblatt Aufgabe 1 Die Zufallsvariablen X 1 X 2 besitzen eine gemeinsame bivariate Normalverteilung
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrAngewandte Multivariate Statistik Prof. Dr. Ostap Okhrin
Angewandte Multivariate Statistik Angewandte Multivariate Statistik Prof. Dr. Ostap Okhrin Ostap Okhrin 1 of 46 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Elementare Operationen
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
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:.............................................................................
MehrStatistische Eigenschaften der OLS-Schätzer, Residuen,
Statistische Eigenschaften der OLS-Schätzer, Residuen, Bestimmtheitsmaß Stichwörter: Interpretation des OLS-Schätzers Momente des OLS-Schätzers Gauss-Markov Theorem Residuen Schätzung von σ 2 Bestimmtheitsmaß
MehrKapitel 5. Eigenwerte. Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 25): Lineare Algebra und analytische Geometrie 2 2. (Frühjahr 29, Thema 3, Aufgabe 3) Gegeben sei die reelle 3 3 Matrix 4 2 A = 2 7 2 R 3 3. 2 2 a)
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrML-Schätzung. Likelihood Quotienten-Test. Zusammenhang Reparametrisierung und Modell unter linearer Restriktion. Es gilt: β = Bγ + d (3.
Reparametrisierung des Modells Gegeben sei das Modell (2.1) mit (2.5) unter der linearen Restriktion Aβ = c mit A R a p, rg(a) = a, c R a. Wir betrachten die lineare Restriktion als Gleichungssystem. Die
MehrKapitel 5 : Eigenwerte und Eigenvektoren
Kapitel 5 : Eigenwerte und Eigenvektoren 5.1 Definition und allgemeine Eigenschaften Definition 5.1 Sei A eine quadratische (n n)-matrix. λ C heißt Eigenwert von A, wenn ein Vektor x C n mit x 0 existiert,
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 205): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2 2
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
MehrFakultät 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;
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrÖkonometrische Analyse
Institut für Statistik und Ökonometrie, Freie Universität Berlin Ökonometrische Analyse Dieter Nautz, Gunda-Alexandra Detmers Rechenregeln für Matrizen Notation und Matrixeigenschaften: Eine Matrix A der
MehrBZQ II: Stochastikpraktikum
BZQ II: Stochastikpraktikum Block 3: Lineares Modell, Klassifikation, PCA Randolf Altmeyer January 9, 2017 Überblick 1 Monte-Carlo-Methoden, Zufallszahlen, statistische Tests 2 Nichtparametrische Methoden
MehrLineare 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
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
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
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrVorlesung 8b. Kovarianz, Korrelation und Regressionsgerade
Vorlesung 8b Kovarianz, Korrelation und Regressionsgerade 1 1. Die Kovarianz und ihre Eigenschaften 2 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
Mehroder A = (a ij ), A =
Matrizen 1 Worum geht es in diesem Modul? Definition und Typ einer Matrix Spezielle Matrizen Rechenoperationen mit Matrizen Rang einer Matrix Rechengesetze Erwartungswert, Varianz und Kovarianz bei mehrdimensionalen
MehrKlausur 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,
MehrMultivariate Verteilungen. Gerhard Tutz LMU München
Multivariate Verteilungen Gerhard Tutz LMU München INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Multivariate Normalverteilung 3 Wishart Verteilung 7 3 Hotellings T Verteilung 11 4 Wilks Λ 14 INHALTSVERZEICHNIS
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,
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2012/2013
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrVorlesung 7b. Kovarianz und Korrelation
Vorlesung 7b Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X,Y]:= E [ (X EX)(Y EY) ] Insbesondere ist
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrAussagenlogik. 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl. C: 2 ist eine Primzahl D: 7 7. F: 3 ist Teiler von 9
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2018/2019
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
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
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
MehrLS-Schätzer. SSE(β) = (y µ) t (y µ) = y t y 2β t X t y + β t X t Xβ. Minimiere SSE(β) bzgl. β: Minimum definiert durch
LS-Schätzer Sei µ = Xβ mit rg(x) = p und β = (β 1,..., β p ) t SSE(β) = (y µ) t (y µ) Minimiere SSE(β) bzgl. β: = y t y 2β t X t y + β t X t Xβ β SSE(β) = 2Xt y + 2X t Xβ. Minimum definiert durch X t X
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)
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrVorlesung 9b. Kovarianz und Korrelation
Vorlesung 9b Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X,Y]:= E [ (X EX)(Y EY) ] Insbesondere ist
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
MehrLineare Regression. Kapitel Regressionsgerade
Kapitel 5 Lineare Regression 5 Regressionsgerade Eine reelle Zielgröße y hänge von einer reellen Einflussgröße x ab: y = yx) ; zb: Verkauf y eines Produkts in Stückzahl] hängt vom Preis in e] ab Das Modell
MehrMethoden der Ökonometrie
Methoden der Ökonometrie Matrixalgebra und Statistische Grundlagen Philipp Czap WS 2011/2012 (Universität Trier) Methoden der Ökonometrie 10/2011 1 / 44 Hinweise Vorlesung: Mittwoch: 10-12 Uhr C 01 (deutsch),
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
Mehr1. Übungsblatt: Lineare Algebra II Abgabe: 8./ in den Übungsgruppen
Hannover, den 7. Februar 2002 Aufgabe. Übungsblatt: Lineare Algebra II Abgabe: 8./9.4.2002 in den Übungsgruppen (2, 2, 3 Punkte) Der Vektorraum V = C[, ] sei mit dem üblichen Skalarprodukt f, g = f(t)g(t)
MehrKlausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 205/6): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
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
MehrDemokurs. Modul Vertiefung der Wirtschaftsmathematik Vertiefung der Statistik
Demokurs Modul 3741 Vertiefung der Wirtschaftsmathematik und Statistik Kurs 41 Vertiefung der Statistik 15. Juli 010 Seite: 14 KAPITEL 4. ZUSAMMENHANGSANALYSE gegeben, wobei die Stichproben(ko)varianzen
MehrAbhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.
Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient
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,,
MehrTheorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann Probe-Klausur zur Vorlesung Ökonometrie Theorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte (die eigentliche Klausur wird
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrÜbungsblatt 11 zur Vorlesung Statistische Methoden - freiwilliger Teil
Dr. Christof Luchsinger Übungsblatt zur Vorlesung Statistische Methoden - freiwilliger Teil Rechnen mit Matrizen, Multivariate Normalverteilung Herausgabe des Übungsblattes: Woche 0, Abgabe der Lösungen:
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrMehrdimensionale 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,
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
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
MehrHöhere Mathematik II für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Dipl.-Math. Sebastian Schwarz SS 5 4.5.5 Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum 4. Übungsblatt
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastik, 5.5. Wir gehen stets von einem Maßraum (Ω, A, µ) bzw. einem Wahrscheinlichkeitsraum (Ω,A,P) aus. Die Borel σ-algebra auf R n wird mit B n bezeichnet, das Lebesgue Maß auf
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
Mehr1.5 Mehrdimensionale Verteilungen
Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4
MehrÜbungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
MehrZusammenfassung 11. Sara dos Reis.
Zusammenfassung 11 Sara dos Reis sdosreis@student.ethz.ch Diese Zusammenfassungen wollen nicht ein Ersatz des Skriptes oder der Slides sein, sie sind nur eine Sammlung von Hinweise zur Theorie, die benötigt
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
MehrÜbungsblatt
Übungsblatt 3 3.5.27 ) Die folgenden vier Matrizen bilden eine Darstellung der Gruppe C 4 : E =, A =, B =, C = Zeigen Sie einige Gruppeneigenschaften: a) Abgeschlossenheit: Berechnen Sie alle möglichen
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
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrAusgewählte Lösungen zu den Übungsblättern 9-10
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 12 Aufgabe 121 Matrixpotenzen und Eigenwerte Diese Aufgabe ist
Mehr10. Übung zur Linearen Algebra I -
. Übung zur Linearen Algebra I - en Kommentare an Hannes.Klarner@FU-Berlin.de FU Berlin. WS 29-. Aufgabe 37 i Für welche α R besitzt das lineare Gleichungssystem 4 αx + αx 2 = 4x + α + 2x 2 = α genau eine,
Mehr5 Allgemeine Verfahren zum Testen von Hypothesen
5 Allgemeine Verfahren zum Testen von Hypothesen 5.1 Likelihood Schätzung für multivariate Daten Statistisches Modell: Einfache Zufallsstichprobe X 1,..., X n (unabhängige Wiederholungen von X IR d ).
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrUnabhängige Zufallsvariablen
Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition
Mehrx p 2 (x )dx, Hinweis: es ist nicht erforderlich, zu integrieren!
Aufgabe T- Gegeben seien zwei normalverteilte Zufallsvariablen X N(µ, σ) 2 und X 2 N(µ 2, σ2) 2 mit pdf p (x) bzw. p 2 (x). Bestimmen Sie x (als Funktion der µ i, σ i, sodass x p (x )dx = + x p 2 (x )dx,
MehrMathematik für Wirtschaftswissenschaftler I (Lineare Algebra) 2. Klausur Wintersemester 2011/
Mathematik für Wirtschaftswissenschaftler I (Lineare Algebra) 2. Klausur Wintersemester 2011/2012 21.03.2012 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN. Nachname:...................................................................
MehrSerie 8: Fakultativer Online-Test
Prof Norbert Hungerbühler Lineare Algebra I Serie 8: Fakultativer Online-Test ETH Zürich - D-MAVT HS 215 1 Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen Die Nachbesprechung
Mehr