Zeitreihen. Statistik II

Transkript

1 Statistik II

2 Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31)

3 Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31)

4 Zum Nachlesen Wiederholung Literatur Wooldridge ch 10.1 & 10.2 Statistik II (2/31)

5 Literatur Für nächste Woche Einfache für Paneldaten Wooldridge ch (im Reader) Statistik II (3/31)

6 -Daten Was sind? Bisher: Fälle Länder, Parteien, Städte, Personen... Unabhängig voneinander erhoben, in der Regel durch Zufallsverfahren aus Population (Grundgesamtheit) ausgewählt Jeder Fall hat Ordnungsnummer (Index) n: y 1, y 5, y 27, y n... Reihenfolge im Datensatz beliebig Statistik II (4/31)

7 -Daten Was sind? Bisher: Fälle Länder, Parteien, Städte, Personen... Unabhängig voneinander erhoben, in der Regel durch Zufallsverfahren aus Population (Grundgesamtheit) ausgewählt Jeder Fall hat Ordnungsnummer (Index) n: y 1, y 5, y 27, y n... Reihenfolge im Datensatz beliebig Datenmatrix kann umsortiert werden (Spalten und Zeilen) Statistik II (4/31)

8 -Daten Inwiefern sind anders? beziehen sich auf ein Objekt (z. B. ein politisches System) Beobachtungen sind nicht voneinander unabhängig Statistik II (5/31)

9 -Daten Inwiefern sind anders? beziehen sich auf ein Objekt (z. B. ein politisches System) Beobachtungen sind nicht voneinander unabhängig Reihenfolge der Beobachtungen im Datensatz ist nicht beliebig, sondern durch Kalenderzeit vorgegeben Spalten der Datenmatrix können umsortiert werden, Zeilen nicht Statistik II (5/31)

10 -Daten Inwiefern sind anders? beziehen sich auf ein Objekt (z. B. ein politisches System) Beobachtungen sind nicht voneinander unabhängig Reihenfolge der Beobachtungen im Datensatz ist nicht beliebig, sondern durch Kalenderzeit vorgegeben Spalten der Datenmatrix können umsortiert werden, Zeilen nicht Beobachtungen haben Ordnungsnummer (Index) t, beginnend mit t = 1 (erste Beobachtung) Abstände zwischen Beobachtungen sind (normalerweise) gleich groß Statistik II (5/31)

11 -Daten Abstände Typischerweise an Kalenderzeit orientiert In der Politikwissenschaft gängige Abstände: Tage Wochen Monate Quartale Jahre (Legislaturperioden) Statistik II (6/31)

12 -Daten Abstände Typischerweise an Kalenderzeit orientiert In der Politikwissenschaft gängige Abstände: Tage (tracking polls im Wahlkampf) Wochen Monate Quartale Jahre (Legislaturperioden) Statistik II (6/31)

13 -Daten Abstände Typischerweise an Kalenderzeit orientiert In der Politikwissenschaft gängige Abstände: Tage (tracking polls im Wahlkampf) Wochen (Anzahl terroristischer Anschläge im Irak) Monate Quartale Jahre (Legislaturperioden) Statistik II (6/31)

14 -Daten Abstände Typischerweise an Kalenderzeit orientiert In der Politikwissenschaft gängige Abstände: Tage (tracking polls im Wahlkampf) Wochen (Anzahl terroristischer Anschläge im Irak) Monate (Anteil der Parteiidentifizierer in Deutschland) Quartale Jahre (Legislaturperioden) Statistik II (6/31)

15 -Daten Abstände Typischerweise an Kalenderzeit orientiert In der Politikwissenschaft gängige Abstände: Tage (tracking polls im Wahlkampf) Wochen (Anzahl terroristischer Anschläge im Irak) Monate (Anteil der Parteiidentifizierer in Deutschland) Quartale (Wirtschaftsleistung und Zufriedenheit mit US- Präsident) Jahre (Legislaturperioden) Statistik II (6/31)

16 -Daten Abstände Typischerweise an Kalenderzeit orientiert In der Politikwissenschaft gängige Abstände: Tage (tracking polls im Wahlkampf) Wochen (Anzahl terroristischer Anschläge im Irak) Monate (Anteil der Parteiidentifizierer in Deutschland) Quartale (Wirtschaftsleistung und Zufriedenheit mit US- Präsident) Jahre (Zustimmung zur EU und politische Variablen) (Legislaturperioden) Statistik II (6/31)

17 -Daten Abstände Typischerweise an Kalenderzeit orientiert In der Politikwissenschaft gängige Abstände: Tage (tracking polls im Wahlkampf) Wochen (Anzahl terroristischer Anschläge im Irak) Monate (Anteil der Parteiidentifizierer in Deutschland) Quartale (Wirtschaftsleistung und Zufriedenheit mit US- Präsident) Jahre (Zustimmung zur EU und politische Variablen) (Legislaturperioden) (Entwicklung von Parteiprogrammen über die Zeit) Statistik II (6/31)

18 -Daten Abstände Typischerweise an Kalenderzeit orientiert In der Politikwissenschaft gängige Abstände: Tage (tracking polls im Wahlkampf) Wochen (Anzahl terroristischer Anschläge im Irak) Monate (Anteil der Parteiidentifizierer in Deutschland) Quartale (Wirtschaftsleistung und Zufriedenheit mit US- Präsident) Jahre (Zustimmung zur EU und politische Variablen) (Legislaturperioden) (Entwicklung von Parteiprogrammen über die Zeit) Beispiel: US-Präsident Statistik II (6/31)

19 -Daten Presidential Approval & Unemployment Presidential Approval Do you approve or disapprove of the way is handling his job as President? Statistik II (7/31)

20 -Daten Presidential Approval & Unemployment Presidential Approval Do you approve or disapprove of the way is handling his job as President? Wieviel Prozent Zustimmung zur Amtsführung? Statistik II (7/31)

21 -Daten Presidential Approval & Unemployment Presidential Approval Do you approve or disapprove of the way is handling his job as President? Wieviel Prozent Zustimmung zur Amtsführung? % Approval % Unemployed Kalenderzeit t q q q Statistik II (7/31)

22 -Daten Lags und Leads Lag: Wert aus Vergangenheit (früherer Zeitpunkt) (Lead: Wert aus Zukunft) Statistik II (8/31)

23 -Daten Lags und Leads Lag: Wert aus Vergangenheit (früherer Zeitpunkt) (Lead: Wert aus Zukunft) Bsp.: Zum Zeitpunkt t = 19 Ist das erste Lag der Arbeitslosenquote (Vorquartal, t 1) = 2.7 Das zweite Lag der Arbeitslosenquote (t 2) = 2.8 % Unemployed Kalenderzeit t q q q Statistik II (8/31)

24 -Daten Wie kommen zustande? Normale Regression (über Stichproben) 1. Stichprobe wird zufällig aus Grundgesamtheit ausgewählt 2. Eine Stichprobe, die auch anders aussehen könnte 3. Mathematisches Modell der Stichprobenziehung Inferenzstatistik 4. Rückschluß auf wahre Parameter in Grundgesamtheit Statistik II (9/31)

25 -Daten Wie kommen zustande? Normale Regression (über Stichproben) 1. Stichprobe wird zufällig aus Grundgesamtheit ausgewählt 2. Eine Stichprobe, die auch anders aussehen könnte 3. Mathematisches Modell der Stichprobenziehung Inferenzstatistik 4. Rückschluß auf wahre Parameter in Grundgesamtheit analyse 1. Datengenerierender Prozeß (DGP) erzeugt historischen Ablauf 2. Eine Zeitreihe, die auch anders hätte aussehen können 3. Mathematisches Modell des Prozesses (Inferenzstatistik) 4. Rückschluß auf wahre Parameter des Prozesses Statistik II (9/31)

26 -Daten Wie kommen zustande? Normale Regression (über Stichproben) 1. Stichprobe wird zufällig aus Grundgesamtheit ausgewählt 2. Eine Stichprobe, die auch anders aussehen könnte 3. Mathematisches Modell der Stichprobenziehung Inferenzstatistik 4. Rückschluß auf wahre Parameter in Grundgesamtheit analyse 1. Datengenerierender Prozeß (DGP) erzeugt historischen Ablauf 2. Eine Zeitreihe, die auch anders hätte aussehen können 3. Mathematisches Modell des Prozesses (Inferenzstatistik) 4. Rückschluß auf wahre Parameter des Prozesses Stärkere Annahmen, u. a. über Stabilität des DGP Statistik II (9/31)

27 -Daten Statisches Modell Lineare Beziehung zwischen y und x Schätzung des Modells Nicht auf Grundlage von unabhängigen Fällen Sondern auf Grundlage von zeitlich gestaffelten Beobachtungen am selben Objekt (z. B. USA) Veränderungen in x haben unmittelbaren Effekt auf y Unemployment approval (economic voting) Statistik II (10/31)

28 -Daten Statisches Modell Lineare Beziehung zwischen y und x Schätzung des Modells Nicht auf Grundlage von unabhängigen Fällen Sondern auf Grundlage von zeitlich gestaffelten Beobachtungen am selben Objekt (z. B. USA) Veränderungen in x haben unmittelbaren Effekt auf y Unemployment approval (economic voting) Statisches Modell approval t =β 0 + β 1 unemployment t + ɛ t y t =β 0 + β 1 x 1,t + ɛ t Statistik II (10/31)

29 -Daten Lineare Beziehung x und y unemrate approval Fitted values Statistik II (11/31)

30 -Daten Implikation statisches Modell. reg approval unemrate Source SS df MS Number of obs = 148 F( 1, 146) = 0.85 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = approval Coef. Std. Err. t P> t [95% Conf. Interval] unemrate _cons Zu jedem Zeitpunkt t... Ist Zustimmung zur Amtsführung eine lineare Funktion der ALQ ( unemrate) Z. B. Zunahme ALQ um zwei Prozentpunkte Statistik II (12/31)

31 -Daten Implikation statisches Modell. reg approval unemrate Source SS df MS Number of obs = 148 F( 1, 146) = 0.85 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = approval Coef. Std. Err. t P> t [95% Conf. Interval] unemrate _cons Zu jedem Zeitpunkt t... Ist Zustimmung zur Amtsführung eine lineare Funktion der ALQ ( unemrate) Z. B. Zunahme ALQ um zwei Prozentpunkte sofortige Abnahme Zustimmung um 1.2 Punkte Plausibel? Statistik II (12/31)

32 -Daten (Finite) Distributed Lag Model Veränderungen in x brauchen Zeit, um auf y zu wirken y eine Funktion von x heute plus vergangene 1, 2,... Werte von x (Lags) Anzahl der vergangenen Zeitpunkte, die wir berücksichtigen können, endlich (finit) Im Text: andere Bezeichung für Koeffizienten der Lags, um Sache klarer zu machen Statistik II (13/31)

33 -Daten (Finite) Distributed Lag Model FDL mit zwei Lags y t = β 0 + δ 0 x t + δ 1 x t 1 + δ 2 x t 2 + ɛ t approval t = β 0 + δ 0 unemployment t + δ 1 unemployment t 1 + δ 2 unemployment t 2 + ɛ t Statistik II (13/31)

34 -Daten (Finite) Distributed Lag Model Temporäre Zunahme der Arbeitslosigkeit Zeitpunkt t Effekt erst drei Quartale später (t + 3) abgeklungen δ 0 : impact propensity oder impact multiplier Permanente Zunahme der Arbeitslosigkeit: (Permanente) Veränderung von y braucht drei Quartale um sich aufzubauen Graphische Darstellung von δ 0, δ 1, δ 2 : Verteilung (distributed lag model) Gesamteffekt der Veränderung: Summe von δ 0, δ 1, δ 2 : long-run propensity oder long-run multiplier Statistik II (13/31)

35 -Daten (Finite) Distributed Lag Model. tset date time variable: date, 1949q1 to 1985q4 delta: 1 quarter. reg approval unemrate L1.unemrate L2.unemrate Source SS df MS Number of obs = 146 F( 3, 142) = 0.40 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = approval Coef. Std. Err. t P> t [95% Conf. Interval] unemrate L L _cons Langfristiger Gesamteffekt einer Zunahme der ALQ um einen Punkt? Statistik II (13/31)

36 -Daten (Finite) Distributed Lag Model. tset date time variable: date, 1949q1 to 1985q4 delta: 1 quarter. reg approval unemrate L1.unemrate L2.unemrate Source SS df MS Number of obs = 146 F( 3, 142) = 0.40 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = approval Coef. Std. Err. t P> t [95% Conf. Interval] unemrate L L _cons Langfristiger Gesamteffekt einer Zunahme der ALQ um einen Punkt? = Statistik II (13/31)

37 -Daten Approval & unemployment: lags. list date approval unemrate L1.unemrate L2.unemrate in 1/8,clean L. L2. date approval unemrate unemrate unemrate q q q q q q q q Statistik II (14/31)

38 -Daten Verzögerter Effekt der Arbeitslosigkeit Annahme: Modell ist korrekt, d. h. approval t = alq t alq t 1 1 alq t 2 ALQ einmalig 4 Prozent, sonst 2 Statistik II (15/31)

39 -Daten Verzögerter Effekt der Arbeitslosigkeit Annahme: Modell ist korrekt, d. h. approval t = alq t alq t 1 1 alq t 2 ALQ einmalig 4 Prozent, sonst 2 L. L2. date approval alq alq alq Statistik II (15/31)

40 -Daten Verzögerter Effekt der Arbeitslosigkeit Annahme: Modell ist korrekt, d. h. approval t = alq t alq t 1 1 alq t 2 ALQ 2 Prozent, dann dauerhafter Anstieg auf 4 Prozent Statistik II (15/31)

41 -Daten Verzögerter Effekt der Arbeitslosigkeit Annahme: Modell ist korrekt, d. h. approval t = alq t alq t 1 1 alq t 2 ALQ 2 Prozent, dann dauerhafter Anstieg auf 4 Prozent L. L2. date approval alq alq alq Statistik II (15/31)

42 -Daten Trends Annahme: die beobachteten x und y Werte werden zufällig vom DGP hervorgebracht Deshalb können wir sie ähnlich wie Stichprobe behandeln Tatsächlich: Trends Beispiel x und y nehmen beide über Zeit zu Regression von y auf x zeigt positiven Effekt, selbst wenn Korrelation 0 oder schwach negativ Drittvariablenproblem Drittvariablenkontrolle durch Einschluß Kalenderzeit Beispiel: Presidential Approval und Verbraucherpreise (CPI) Statistik II (16/31)

43 -Daten Presidential Approval und CPI. reg approval cpi Source SS df MS Number of obs = 148 F( 1, 146) = 9.76 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = approval Coef. Std. Err. t P> t [95% Conf. Interval] cpi _cons Statistik II (17/31)

44 -Daten Presidential Approval und CPI. reg approval date Source SS df MS Number of obs = 148 F( 1, 146) = 9.23 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = approval Coef. Std. Err. t P> t [95% Conf. Interval] date _cons reg cpi date Source SS df MS Number of obs = 148 F( 1, 146) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = cpi Coef. Std. Err. t P> t [95% Conf. Interval] date _cons Statistik II (17/31)

45 -Daten Presidential Approval und CPI. reg approval cpi date Source SS df MS Number of obs = 148 F( 2, 145) = 5.04 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = approval Coef. Std. Err. t P> t [95% Conf. Interval] cpi date _cons Statistik II (17/31)

46 -Daten Presidential Approval und CPI. reg approval cpi Source SS df MS Number of obs = 148 F( 1, 146) = 9.76 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = approval Coef. Std. Err. t P> t [95% Conf. Interval] cpi _cons Statistik II (17/31)

47 -Daten Presidential Approval und CPI. reg approval cpi date Source SS df MS Number of obs = 148 F( 2, 145) = 5.04 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = approval Coef. Std. Err. t P> t [95% Conf. Interval] cpi date _cons Effekt des CPI nur halb so stark und nicht mehr signifikant, wenn für gemeinsamen Trend kontrolliert wird Kontrolle für Trends Entweder separate Regressionen von x und y auf Zeit, dann Regression mit Residuen rechnen Oder einfach multivariate Regression Äquivalent Statistik II (17/31)

48 -Daten Saisonalität In vielen ökonomischen Saisonalität (Zyklen) Arbeitslosigkeit im Winter höher Mehr Autos, Fahrräder etc. verkauft im Sommer Anstieg Ölpreis im Herbst Saisonalität in politikwissenschaftlichen weniger klar, aber Midterm-Effekt in amerikanischen Wahlen Beliebtheit der Regierungsparteien in Deutschland über BTW- Wahlzyklus Häufung von Terrorakten zu Jahrestagen/Festen Ggf. z. B. durch Dummies modellieren, um Verzerrungen zu vermeiden Statistik II (18/31)

49 -Daten Saisonalität: CPI und Approval. reg cpi _I* date Source SS df MS Number of obs = 148 F( 4, 143) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = cpi Coef. Std. Err. t P> t [95% Conf. Interval] _Iquarter_ _Iquarter_ _Iquarter_ date _cons Statistik II (19/31)

50 -Daten Saisonalität: CPI und Approval. reg cpi _I* date Source SS df MS Number of obs = 148 F( 4, 143) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = cpi Coef. Std. Err. t P> t [95% Conf. Interval] _Iquarter_ _Iquarter_ _Iquarter_ date _cons reg approval honeymoon date Source SS df MS Number of obs = 148 F( 2, 145) = 7.87 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = approval Coef. Std. Err. t P> t [95% Conf. Interval] honeymoon date _cons Statistik II (19/31)

51 -Daten Recap: Schätzverfahren Welche Eigenschaften sollen Schätzverfahren haben? 1. Möglichst unverzerrt (wenig bias) 2. Möglichst wenig Varianz der Schätzungen (relative Effizienz) 3. Konsistenz (durch größere Fallzahlen beliebig kleine Abweichungen von wahren Werten) Statistik II (20/31)

52 -Daten Recap: Schätzverfahren Welche Eigenschaften sollen Schätzverfahren haben? 1. Möglichst unverzerrt (wenig bias) 2. Möglichst wenig Varianz der Schätzungen (relative Effizienz) 3. Konsistenz (durch größere Fallzahlen beliebig kleine Abweichungen von wahren Werten) Statistik II (20/31)

53 -Daten Recap: Schätzverfahren Welche Eigenschaften sollen Schätzverfahren haben? 1. Möglichst unverzerrt (wenig bias) 2. Möglichst wenig Varianz der Schätzungen (relative Effizienz) 3. Konsistenz (durch größere Fallzahlen beliebig kleine Abweichungen von wahren Werten) Wiederholte Stichprobenziehung (Umfang n) zufällige Verteilung von Schätzungen Mittelwert der Schätzungen stimmt mit wahrem Parameter in Grundgesamtheit überein Systematische Abweichung: bias (Mittelwert wahrer Parameter) Statistik II (20/31)

54 -Daten Recap: Schätzverfahren Welche Eigenschaften sollen Schätzverfahren haben? 1. Möglichst unverzerrt (wenig bias) 2. Möglichst wenig Varianz der Schätzungen (relative Effizienz) 3. Konsistenz (durch größere Fallzahlen beliebig kleine Abweichungen von wahren Werten) Wiederholte Stichprobenziehung (Umfang n) zufällige Verteilung von Schätzungen Unter verschiedenen Schätzverfahren das mit der geringsten Streuung der Schätzungen auswählen (Relativ) effizientes Verfahren Statistik II (20/31)

55 -Daten Recap: Schätzverfahren Welche Eigenschaften sollen Schätzverfahren haben? 1. Möglichst unverzerrt (wenig bias) 2. Möglichst wenig Varianz der Schätzungen (relative Effizienz) 3. Konsistenz (durch größere Fallzahlen beliebig kleine Abweichungen von wahren Werten) Trade-off zwischen Effizienz und möglichst wenig bias Gemeinsame Größe Mean Squared Error (MSE) (MSE) = (bias(ˆβ)) 2 + Varianz(ˆβ) Statistik II (20/31)

56 -Daten Recap: Schätzverfahren Welche Eigenschaften sollen Schätzverfahren haben? 1. Möglichst unverzerrt (wenig bias) 2. Möglichst wenig Varianz der Schätzungen (relative Effizienz) 3. Konsistenz (durch größere Fallzahlen beliebig kleine Abweichungen von wahren Werten) Was passiert bei steigendem Stichprobenumfang? Hinreichende Bedingung für Konsistenz Wenn Stichprobenumfang gegen geht Gehen bias und Varianz der Schätzungen gegen null D. h. die Wahrscheinlichkeit einer relevanten Abweichung zwischen Schätzung und wahrem Wert geht gegen null Statistik II (20/31)

57 -Daten Recap: Voraussetzungen für OLS Wann ist OLS unverzerrt, effizient und konsistent? (Gauß-Markov-Bedingungen): 1. y intervallskaliert und unbeschränkt, Varianz aller x, keine perfekte Multikollineariät 2. Keine Autokorrelation der zufälligen Einflüsse ɛ, d. h. für zwei Beobachtungen i und h sind ɛ i und ɛ h bei wiederholter Stichprobenziehung unkorreliert 3. Kein Zusammenhang zwischen ɛ und x-variablen, d. h. 3.1 Konditionaler Mittelwert von ɛ = 0 für alle Werte von x 3.2 Konstante konditionale Varianz von ɛ (Homoskedastizität) für alle Werte von x 4. (Normalverteilung von ɛ wird nur für Berechnung Standardfehler gebraucht, kein Problem bei großen Stichproben) OLS = BLUE: Best Linear Unbiased Estimator Statistik II (21/31)

58 -Daten mit daten Grundproblem: Fälle sind nicht zufällig ausgewählt, sondern zeitlich strukturiert Fiktives Beispiel: nationale Bildungsausgaben (x) und nationaler Schulleistungstests (y), jährliche Messung Typische : 1. (Zusammenhang zwischen Variablen bzw. Verteilung einer Variablen ändert sich über die Zeit ((Non-)Stationarität)) 2. (Extreme Autokorrelation einer x-variablen) 3. Heteroskedastizität (Varianz von ɛ nicht konstant) 4. Abhängigkeit zwischen x und ɛ 5. Autokorrelation von ɛ Statistik II (22/31)

59 -Daten mit daten Grundproblem: Fälle sind nicht zufällig ausgewählt, sondern zeitlich strukturiert Fiktives Beispiel: nationale Bildungsausgaben (x) und nationaler Schulleistungstests (y), jährliche Messung Typische : 1. (Zusammenhang zwischen Variablen bzw. Verteilung einer Variablen ändert sich über die Zeit ((Non-)Stationarität)) 2. (Extreme Autokorrelation einer x-variablen) 3. Heteroskedastizität (Varianz von ɛ nicht konstant) 4. Abhängigkeit zwischen x und ɛ 5. Autokorrelation von ɛ Statistik II (22/31)

60 -Daten Heteroskedastizität Höhere Bildungsausgaben Bessere Testergebnisse Tests werden sorgfältiger durchgeführt weniger zufällige Varianz Abhängigkeit der Varianz von ɛ vom Niveau von x Standardfehler zu optimistisch Mögliche Lösungen Qualität der Testdurchführung direkt messen (möglicherweise aber hoch mit x korreliert) Robuste Standardfehler berechnen lassen Statistik II (23/31)

61 -Daten Endogenität Idealerweise: Alle Werte von x komplett von aktuellen, vergangenen, zukünftigen Werten von ɛ unabhängig (strikt exogen) D. h. Gedankenexperiment: DGP würde sehr häufig wiederholt Werte für z. B. xt und ɛ t 1 würden notiert Korrelation zwischen beiden? Endogenität im Beispiel leicht möglich Zufälliger negativer ɛ t 1 (z. B. Fußball-WM 2014) beeinflußt Leistungen im Test 2014 (y t 1 ) Panische Erhöhung der Bildungsausgaben in 2015 (xt ) Zusammenhang zwischen x und ɛ; x ist nicht exogen Bias, aber möglicherweise noch konsistent besondere Statistik II (24/31)

62 -Daten Autokorrelation von ɛ In sind die Werte von ɛ häufig (positiv) mit sich selbst korreliert Neue Show mit G. Jauch führt zu besonderen Anstrengungen zum Zeitpunkt t ɛ t > 0, y t ungewöhnlich hoch Ein Jahr später: positiver Effekt der Show abgeschwächt, aber noch vorhanden ɛ t > ɛ t+1 > 0 Allgemein: ɛt = ρɛ t 1 + u t mit ρ < 1 Statistik II (25/31)

63 -Daten Autokorrelation von ɛ Positive Autokorrelation der zufälligen Einflüsse ( Fehler, ɛ) Statistik II (25/31)

64 -Daten Autokorrelation von ɛ In sind die Werte von ɛ häufig (positiv) mit sich selbst korreliert Neue Show mit G. Jauch führt zu besonderen Anstrengungen zum Zeitpunkt t ɛ t > 0, y t ungewöhnlich hoch Ein Jahr später: positiver Effekt der Show abgeschwächt, aber noch vorhanden ɛ t > ɛ t+1 > 0 Allgemein: ɛt = ρɛ t 1 + u t mit ρ < 1 OLS immer noch konsistent und unverzerrt, aber nicht mehr effizient R 2 zu hoch, Signifikanztests nicht mehr gültig Statistischer Test (Durbin-Watson-Test und Alternativen) Ggf. besonderes Modell schätzen Statistik II (25/31)

65 -Daten Presidential Approval. reg approval honeymoon date Source SS df MS Number of obs = 148 F( 2, 145) = 7.87 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = approval Coef. Std. Err. t P> t [95% Conf. Interval] honeymoon date _cons estat durbina Durbin s alternative test for autocorrelation lags(p) chi2 df Prob > chi H0: no serial correlation Statistik II (26/31)

66 -Daten Presidential Approval. prais approval honeymoon date,robust Iteration 0: rho = Iteration 1: rho = Iteration 2: rho = Iteration 3: rho = Iteration 4: rho = Prais-Winsten AR(1) regression -- iterated estimates Linear regression Number of obs = 148 F( 3, 145) = Prob > F = R-squared = Root MSE = Semirobust approval Coef. Std. Err. t P> t [95% Conf. Interval] honeymoon date _cons rho Durbin-Watson statistic (original) Durbin-Watson statistic (transformed) Statistik II (26/31)

67 -Daten (1.) Differenzen mit starken Trends machen bei Schätzung Oft ist nicht Niveau, sondern Veränderung interessant Differenzen (gegenüber Vorperiode) für abhängige und/oder unabhängige Variablen In Stata: D.-Operator Statistik II (27/31)

68 -Daten (1.) Differenzen. list date approval D.approval cpi D.cpi in 1/6,clean D. D. date approval approval cpi cpi q q q q q q Statistik II (27/31)

69 -Daten Veränderung approval / Veränderung CPI D.approval D.cpi Statistik II (28/31)

70 -Daten Veränderung approval / Zeit D.approval q1 1955q1 1960q1 1965q1 1970q1 1975q1 1980q1 1985q1 date Statistik II (29/31)

71 -Daten Finales (?) Modell. prais D.approval honeymoon D.cpi date Iteration 0: rho = Iteration 1: rho = Iteration 2: rho = Iteration 3: rho = Iteration 4: rho = Prais-Winsten AR(1) regression -- iterated estimates Source SS df MS Number of obs = F( 3, 143) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = D.approval Coef. Std. Err. t P> t [95% Conf. Interval] honeymoon cpi D date _cons rho Durbin-Watson statistic (original) Durbin-Watson statistic (transformed) Statistik II (30/31)

72 sind anders: Kein Stichprobenziehung Nur ein Objekt wird beobachtet Viele Informationen über dieses Objekt sind schwach Beobachtungen sind voneinander abhängig Effektive Fallzahl kleiner als n Gleichzeitig informativer als Querschnittsdaten: Dynamik Sehr sorgfältige Analyse notwendig Statistik II (31/31)