Zeitreihen. Statistik II
|
|
- Dieter Vogt
- vor 8 Jahren
- Abrufe
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)
Zeitreihen. Statistik II. Literatur. Zeitreihen-Daten Modelle Probleme Trends und Saisonalität Fehlerstruktur. 1 Wiederholung.
Statistik II 1 Literatur 2 -Daten Trends und Saisonalität Fehlerstruktur 3 Statistik II (1/31) Literatur Zum Nachlesen Wooldridge ch 101 & 102 Statistik II (2/31) Literatur Für nächste Woche Einfache für
MehrEinfache Modelle für Paneldaten. Statistik II
Einfache Modelle für daten Statistik II Wiederholung Literatur daten Policy-Analyse II: Statistik II daten (1/18) Literatur Zum Nachlesen Einfache Modelle für daten Wooldridge ch. 13.1-13.4 (im Reader)
MehrKategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrKategoriale abhängige Variablen:
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell Statistik II
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrMETHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
MehrSpezifikationsprobleme Omitted Variable Bias
Spezifikationsprobleme Omitted Variable Bias Spezifikationsprobleme In der Grundgesamtheit gilt der wahre (aber unbekannte) Zusammenhang y = 0 + 1x 1 + : : : kx k dieser Zusammenhang soll anhand einer
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrMusterlösung zu Serie 14
Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen
MehrFortgeschrittene Statistik Logistische Regression
Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrMultiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)
Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang
MehrGrundlagen der Inferenzstatistik
Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrRepetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
MehrMessgeräte: Mess-System-Analyse und Messmittelfähigkeit
Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße
MehrBiostatistik, WS 2015/2016 Der zwei-stichproben-t-test
1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test
MehrGründe für fehlende Vorsorgemaßnahmen gegen Krankheit
Gründe für fehlende Vorsorgemaßnahmen gegen Krankheit politische Lage verlassen sich auf Familie persönliche, finanzielle Lage meinen, sich Vorsorge leisten zu können meinen, sie seien zu alt nicht mit
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrWelchen Weg nimmt Ihr Vermögen. Unsere Leistung zu Ihrer Privaten Vermögensplanung. Wir machen aus Zahlen Werte
Welchen Weg nimmt Ihr Vermögen Unsere Leistung zu Ihrer Privaten Vermögensplanung Wir machen aus Zahlen Werte Ihre Fragen Ich schwimme irgendwie in meinen Finanzen, ich weiß nicht so genau wo ich stehe
MehrQM: Prüfen -1- KN16.08.2010
QM: Prüfen -1- KN16.08.2010 2.4 Prüfen 2.4.1 Begriffe, Definitionen Ein wesentlicher Bestandteil der Qualitätssicherung ist das Prüfen. Sie wird aber nicht wie früher nach der Fertigung durch einen Prüfer,
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
MehrEinfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrPRAKTIKUM Experimentelle Prozeßanalyse 2. VERSUCH AS-PA-2 "Methoden der Modellbildung statischer Systeme" Teil 2 (für ausgewählte Masterstudiengänge)
FACHGEBIET Systemanalyse PRAKTIKUM Experimentelle Prozeßanalyse 2 VERSUCH AS-PA-2 "Methoden der Modellbildung statischer Systeme" Teil 2 (für ausgewählte Masterstudiengänge) Verantw. Hochschullehrer: Prof.
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrEinführung in statistische Analysen
Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
Mehreinfache Rendite 0 145 85 1 160 90 2 135 100 3 165 105 4 190 95 5 210 110
Übungsbeispiele 1/6 1) Vervollständigen Sie folgende Tabelle: Nr. Aktie A Aktie B Schlusskurs in Schlusskurs in 0 145 85 1 160 90 2 135 100 3 165 105 4 190 95 5 210 110 Arithmetisches Mittel Standardabweichung
MehrSchuldenbarometer 1. Q. 2009
Schuldenbarometer 1. Q. 2009 Weiterhin rückläufige Tendenz bei Privatinsolvenzen, aber große regionale Unterschiede. Insgesamt meldeten 30.491 Bundesbürger im 1. Quartal 2009 Privatinsolvenz an, das sind
MehrMultiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse
Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik II Multiple
MehrGibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero?
Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Manche sagen: Ja, manche sagen: Nein Wie soll man das objektiv feststellen? Kann man Geschmack objektiv messen? - Geschmack ist subjektiv
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrRententafelgarantie. Langlebigkeit: Fluch oder Segen?
Rententafelgarantie Rententafelgarantie Langlebigkeit: Fluch oder Segen? Je länger wir leben, desto mehr Kapital ist im Alter nötig, um ein entsprechendes Auskommen zu finden! Ich habe nicht gewusst, dass
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrPhysik & Musik. Stimmgabeln. 1 Auftrag
Physik & Musik 5 Stimmgabeln 1 Auftrag Physik & Musik Stimmgabeln Seite 1 Stimmgabeln Bearbeitungszeit: 30 Minuten Sozialform: Einzel- oder Partnerarbeit Voraussetzung: Posten 1: "Wie funktioniert ein
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrAuswertung mit dem Statistikprogramm SPSS: 30.11.05
Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit
MehrEva Douma: Die Vorteile und Nachteile der Ökonomisierung in der Sozialen Arbeit
Eva Douma: Die Vorteile und Nachteile der Ökonomisierung in der Sozialen Arbeit Frau Dr. Eva Douma ist Organisations-Beraterin in Frankfurt am Main Das ist eine Zusammen-Fassung des Vortrages: Busines
MehrWebergänzung zu Kapitel 10
Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder
MehrFelix Klug SS 2011. 2. Tutorium Deskriptive Statistik
2. Tutorium Deskriptive Statistik Felix Klug SS 2011 Skalenniveus Weitere Beispiele für Skalenniveus (Entnommen aus Wiederholungsblatt 1.): Skalenniveu Nominalskala Ordinalskala Intervallskala Verhältnisskala
MehrÜbungen 19.01.2012 Programmieren 1 Felix Rohrer. Übungen
Übungen if / else / else if... 2... 2 Aufgabe 2:... 2 Aufgabe 3:... 2 Aufgabe 4:... 2 Aufgabe 5:... 2 Aufgabe 6:... 2 Aufgabe 7:... 3 Aufgabe 8:... 3 Aufgabe 9:... 3 Aufgabe 10:... 3 switch... 4... 4 Aufgabe
MehrTangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:
Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung
MehrWas ist Sozial-Raum-Orientierung?
Was ist Sozial-Raum-Orientierung? Dr. Wolfgang Hinte Universität Duisburg-Essen Institut für Stadt-Entwicklung und Sozial-Raum-Orientierte Arbeit Das ist eine Zusammen-Fassung des Vortrages: Sozialräume
MehrAnalyse von Querschnittsdaten. Regression mit Dummy-Variablen
Analyse von Querschnittsdaten Regression mit Dummy-Variablen Warum geht es in den folgenden Sitzungen? Datum Vorlesung 9.0.05 Einführung 26.0.05 Beispiele 02..05 Forschungsdesigns & Datenstrukturen 09..05
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrWir machen neue Politik für Baden-Württemberg
Wir machen neue Politik für Baden-Württemberg Am 27. März 2011 haben die Menschen in Baden-Württemberg gewählt. Sie wollten eine andere Politik als vorher. Die Menschen haben die GRÜNEN und die SPD in
MehrInventur. Bemerkung. / Inventur
Inventur Die beliebige Aufteilung des Artikelstamms nach Artikeln, Lieferanten, Warengruppen, Lagerorten, etc. ermöglicht es Ihnen, Ihre Inventur in mehreren Abschnitten durchzuführen. Bemerkung Zwischen
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
MehrAuswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro
Auswerten mit Excel Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro 1. Pivot-Tabellen erstellen: In der Datenmaske in eine beliebige Zelle klicken Registerkarte Einfügen
Mehr1. Weniger Steuern zahlen
1. Weniger Steuern zahlen Wenn man arbeitet, zahlt man Geld an den Staat. Dieses Geld heißt Steuern. Viele Menschen zahlen zu viel Steuern. Sie haben daher wenig Geld für Wohnung, Gewand oder Essen. Wenn
MehrDas RSA-Verschlüsselungsverfahren 1 Christian Vollmer
Das RSA-Verschlüsselungsverfahren 1 Christian Vollmer Allgemein: Das RSA-Verschlüsselungsverfahren ist ein häufig benutztes Verschlüsselungsverfahren, weil es sehr sicher ist. Es gehört zu der Klasse der
MehrDokumentation. estat Version 2.0
Dokumentation estat Version 2.0 Installation Die Datei estat.xla in beliebiges Verzeichnis speichern. Im Menü Extras AddIns... Durchsuchen die Datei estat.xla auswählen. Danach das Auswahlhäkchen beim
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrMulticheck Schülerumfrage 2013
Multicheck Schülerumfrage 2013 Die gemeinsame Studie von Multicheck und Forschungsinstitut gfs-zürich Sonderauswertung ICT Berufsbildung Schweiz Auswertung der Fragen der ICT Berufsbildung Schweiz Wir
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
Mehrsondern alle Werte gleich behandelt. Wir dürfen aber nicht vergessen, dass Ergebnisse, je länger sie in der Vergangenheit
sondern alle Werte gleich behandelt. Wir dürfen aber nicht vergessen, dass Ergebnisse, je länger sie in der Vergangenheit liegen, an Bedeutung verlieren. Die Mannschaften haben sich verändert. Spieler
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrBusiness Value Launch 2006
Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung
Mehr11. Rent-Seeking 117
117 Definitionen Gewinnstreben: Vorhandene Ressourcen werden so eingesetzt, dass Einkommen entsteht und die Differenz aus Einkommen und Kosten maximal wird. Rent-Seeking: Vorhandene Ressourcen werden eingesetzt,
MehrLeseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter
Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl
MehrStatuten in leichter Sprache
Statuten in leichter Sprache Zweck vom Verein Artikel 1: Zivil-Gesetz-Buch Es gibt einen Verein der selbstbestimmung.ch heisst. Der Verein ist so aufgebaut, wie es im Zivil-Gesetz-Buch steht. Im Zivil-Gesetz-Buch
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrStatistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE. Markt+Technik
Statistik mit Excel für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE Markt+Technik Vorwort Schreiben Sie uns! 13 15 Statistische Untersuchungen 17 Wozu Statistik? 18 Wirtschaftliche
MehrAKZEPTANZ VON STUDIENGEBÜHREN
AStA der Universität München (Hrsg.) AKZEPTANZ VON STUDIENGEBÜHREN FÜR DAS ERSTSTUDIUM Die wichtigsten Ergebnisse Carolin Strobl Rita Reimer 1. Stichprobenziehung und Repräsentativität 606 Personen aus
MehrDie Invaliden-Versicherung ändert sich
Die Invaliden-Versicherung ändert sich 1 Erklärung Die Invaliden-Versicherung ist für invalide Personen. Invalid bedeutet: Eine Person kann einige Sachen nicht machen. Wegen einer Krankheit. Wegen einem
MehrWas ist clevere Altersvorsorge?
Was ist clevere Altersvorsorge? Um eine gute Altersvorsorge zu erreichen, ist es clever einen unabhängigen Berater auszuwählen Angestellte bzw. Berater von Banken, Versicherungen, Fondsgesellschaften und
MehrKleine Einführung in die lineare Regression mit Excel
Kleine Einführung in die lineare Regression mit Excel Grundoperationen mit Excel Werte mit Formeln berechnen Bsp.: Mittelwert und Standardabweichung Das $-Zeichen Beispielauswertung eines Versuches Daten
MehrInhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1
Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...
Mehrwww.goelzner.de AirKey Das Handy ist der Schlüssel
AirKey Das Handy ist der Schlüssel AirKey So dynamisch, wie die Bedürfnisse der Kunden AirKey Die flexible Zutrittslösung für s Office Die moderne Arbeitswelt unterliegt dynamischen Gesetzen. Neue Formen
MehrFunktion Erläuterung Beispiel
WESTFÄLISCHE WILHELMS-UNIVERSITÄT WIRTSCHAFTSWISSENSCHAFTLICHE FAKULTÄT BETRIEBLICHE DATENVERARBEITUNG Folgende Befehle werden typischerweise im Excel-Testat benötigt. Die Beispiele in diesem Dokument
MehrStatistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE
Statistik mit Excel für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE INHALTS- VERZEICHNIS Vorwort 13 Schreiben Sie uns! 15 1 Statistische Untersuchungen 17 Wozu Statistik? 18
MehrAbschlussprüfung Realschule Bayern II / III: 2009 Haupttermin B 1.0 B 1.1
B 1.0 B 1.1 L: Wir wissen von, dass sie den Scheitel hat und durch den Punkt läuft. Was nichts bringt, ist beide Punkte in die allgemeine Parabelgleichung einzusetzen und das Gleichungssystem zu lösen,
MehrZählstatistik. Peter Appel. 31. Januar 2005
Zählstatistik Peter Appel 31. Januar 2005 1 Einleitung Bei der quantitativen Analyse im Bereich von Neben- und Spurenelementkonzentrationen ist es von Bedeutung, Kenntnis über die möglichen Fehler und
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Anne Neumann 21. Oktober 2015 Anne Neumann EWF 21. Oktober 2015 1 / 9 Inhaltsverzeichnis 1 Grobgliederung 2 Grundlagen Anne Neumann EWF 21. Oktober 2015 2 / 9 Grobgliederung
MehrV 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,
Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrWinWerk. Prozess 4 Akonto. KMU Ratgeber AG. Inhaltsverzeichnis. Im Ifang 16 8307 Effretikon
Prozess 4 Akonto WinWerk 8307 Effretikon Telefon: 052-740 11 11 Telefax: 052 740 11 71 E-Mail info@kmuratgeber.ch Internet: www.winwerk.ch Inhaltsverzeichnis 1 Akonto... 2 1.1 Allgemein... 2 2 Akontobeträge
MehrDerivate und Bewertung
. Dr. Daniel Sommer Marie-Curie-Str. 30 60439 Franfurt am Main Klausur Derivate und Bewertung.......... Wintersemester 2008/09 Klausur Derivate und Bewertung Wintersemester 2008/09 Aufgabe 1: Zinsurven,
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
Mehr