Zeitreihen-Ökonometrie, SS 2015 Lösungen Aufgabenblatt 11
|
|
- Frida Gerhardt
- vor 7 Jahren
- Abrufe
Transkript
1 Zeitreihen-Ökonometrie, SS 2015 Lösungen Aufgabenblatt 11 Aufgabe 21: Die Datei DAX.WF1 enthält Tagesdaten zum DAX30 im Zeitraum von November 1990 bis Juni 2015 (pro Jahr ca. 250 Handelstage). In der Zeitreihe DAX finden sich die täglichen Schlusskurse, in der Zeitreihe RETURN (= log(dax)) die Log-Renditen. i. Was besagen ADF-Tests (mit Trend + Interzept, # Lags nach SIC) bzgl. der Präsenz stochast. und/oder determinist. Trends in den logarithmierten DAX-Kursen bzw. den log-renditen? LOGDAX RETURN (=DLOG(DAX)) Augmented Dickey-Fuller Unit Root Test on LOGDAX -.08 Augmented Dickey-Fuller Unit Root Test on RETURN -.12 Null Hypothesis: LOGDAX has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=34) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level Augmented Dickey-Fuller Test Equation Dependent Variable: D(LOGDAX) LOGDAX(-1) C E E R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Null Hypothesis: RETURN has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=33) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level Augmented Dickey-Fuller Test Equation Dependent Variable: D(RETURN) Sample (adjusted): 11/28/1990 7/03/2015 Included observations: 6227 after adjustments RETURN(-1) C E-08 1E R-squared Mean dependent var 2.54E-06 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat log(dax): Stochast. Trend kann kann nicht abgelehnt werden. Ausgehend von einem stochast. Trend, ist ein determin. Trend signifikant nicht signifikant RETURN (= log(dax)): Stochast. Trend kann kann nicht abgelehnt werden. Ausgehend von keinem stochast. Trend, ist ein determin. Trend signifikant nicht signifikant
2 ii. Es soll zunächst überprüft werden, ob sich gewisse, bei Finanzmarktzeitreihen häufig anzutreffende Eigenschaften auch bei den DAX-Renditen finden: (a) Volatilitätsklumpung: Ist eine solche im Diagramm der DAX-Renditen zu erkennen? Ja (b) Leptokurtosis: Schauen Sie sich die empirische Verteilung der DAX-Renditen zusammen mit ihren ersten vier Momenten (Mittelwert, Standardabweichung, Schiefe und Kurtosis) an 2,400 2,000 Series: RETURN Sample 11/26/1990 7/03/2015 Observations ,600 1, Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability Ist die empirische Vtlg. leptokurtisch? Ja, die Kurtosis wird auf 7.7 (> 3) geschätzt Um wieviel Prozentpunkte ist der DAX im Beobachtungszeitraum im Mittel pro Jahr gestiegen? Pro (Handels-)Tag ist er im Schnitt um = 027% gestiegen (Einheit hier 1 = 100%, da log) Bei 250 Handelstagen im Jahr macht das 250*027% = 8.175%. Also ca. 8% pro Jahr. Interpretieren Sie die Standardabweichung. Allgemein misst die Standardabweichung σ einer Zufallsvariable (hier der Eintages-DAXRendite r), wie sehr die Variablenwerte um den Erwartungswert µ streuen. Wenn die Verteilung nicht zu sehr von einer Normalverteilung abweicht, liegen im Intervall [µ σ, µ+σ] ca. 66% der beobachteten Werte, im Intervall [µ 2σ, µ+2σ] ca 95% der Beobachtungen. Voraussetzung für diese Interpretation ist allerdings nicht nur eine (angenäherte) Normalvtlg, sondern auch eine Zufallsstichprobe (als ob die DAX-Renditen jeden Tag unabhängig vom Vortag ausgewürfelt würden). Wir werden unten sehen, dass die DAX-Renditen tatsächlich kaum miteinander korrelieren, aber dennoch nicht unabhängig voneinander sind: ihre Quadrate korrelieren stark miteinander. Das adäquatere Bild ist, dass wir zwar unkorrelierte Werte r t ziehen, wobei allerdings die Standardabweichung σ t bzw. Varianz σt 2 von r t selbst streut, und zwar um die hier geschätzte unbedingte (d.h. langfristige) Std.Abw. σ. Der geschätzte Wert beträgt ˆσ = 1.4% pro Tag. Um den Wert auf ein Zeitintervall von h Tagen zu beziehen, kann man log(dax h ) log(dax 0 ) zerlegen in h ( t=1 log(daxt ) log(dax t 1 ) ) = h t=1 r t. Wenn man annimmt, dass die Tagesrenditen r t tatsächlich unkorreliert sind, gilt var [ h t=1 r h t] = t=1 var[ ] [ r t, d.h. var log(daxh ) log(dax 0 ) ] = h σ 2. Über ein Jahr (h = 250) ergibt sich eine Std.Abweichung im (logarithm. relativen) DAX-Zuwachs von % 22%. Das 95%-Konfid.Intervall (bei Normalvtlg.) beträgt also ˆµ ± 1.96 ˆσ ±2.8% (pro Tag!). Trotz des großen Konfid.Intervalls: Wkt. für Werte bei ±10% bei Normalvtlg. astronomisch klein. (c) Unkorreliertheit, aber keine stochast. Unabhängigkeit der Renditen: Schätzen Sie das mean model r t = µ + u t mit OLS. (Zur Abkürzung setzen wir r t := RETURN t ). C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter Durbin-Watson stat Welche Ergebnisse dieser Schätzung lassen sich bereits aus den deskript. Statistiken in (b) antizipieren? ˆµ = 027% und ˆσ = 1.4%. Auch R 2 = 0 ist klar, da nur Konstante als erklärende Variable. 2
3 Der Breusch-Godfrey-Test auf residuale Autokorrelation 1. Ordn. und der Test auf ARCH-Effekte 1. Ordn. involvieren die folgenden OLS-Schätzungen mit den Residuen û t dieser Schätzung (die Residuen sind hier schlicht die von ihrem empir. Mittelwert bereinigten Renditen û t = r t ˆµ): ; û t = û t 1 ( ) ( ) T = 6228, R 2 = û t 2 = ût 1 2 ( ) ( ). T = 6227, R 2 = Anmerkung: Die Ergebnisse sind übertragen aus: Breusch-Godfrey Serial Correlation LM Test: F-statistic Prob. F(1,6226) Obs*R-squared Prob. Chi-Square(1) Dependent Variable: RESID Sample: 11/27/1990 7/03/2015 Included observations: 6228 Presample missing value lagged residuals set to zero. C 1.32E E RESID(-1) R-squared Mean dependent var 3.37E-19 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Heteroskedasticity Test: ARCH F-statistic Prob. F(1,6225) 000 Obs*R-squared Prob. Chi-Square(1) 000 Dependent Variable: RESID^2 Sample (adjusted): 11/28/1990 7/03/2015 Included observations: 6227 after adjustments C E RESID^2(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Was ist das Ergebnis dieser Tests (5%-Niveau)? Mit t-statistiken: Keine Ablehnung Keine Autokorrelation (Test findet keine Signifikanz für residuale Autokorrelation) Ablehnung keine ARCH-Effekte (Test findet hohe Signifikanz für ARCH-Effekte) Stützen die Tests die Aussage Unkorreliertheit, aber keine stochast. Unabhängigkeit der DAX-Renditen? Ja, denn die Residuen selbst zeigen keine signifikante Autokorrelation (1. Ordn.), ihre Quadrate aber schon. Da die DAX-Renditen r t hier schlicht die um eine Konstante (ˆµ) verschobenen Residuen û t sind, überträgt sich diese Aussage auf die DAX-Renditen. Diese korrelieren also nicht (signifikant) miteinander, sind aber dennoch nicht stochast. unabhängig voneinander, weil sonst auch ihre Quadrate (wie jede Funktion von ihnen) unkorreliert wären. Wie groß ist die geschätzte Autokorrelation erster Ordnung in r t, wie groß diejenige in rt 2? (Hinweis: 4 = 2, 3 1.7). ĉor(r t, r t 1 ) = RBG T 2 est = = = 02 ĉor(rt 2, rt 1) 2 = + RARCH T 2 est = = = Welcher Wert für ĉor(r t, r t 1 ) ergibt sich aus der DW-Statistik? DW-Statistik (aus der initialen Regression, d.h. r t = µ + u t!): DW = Damit: ĉor(r t, r t 1 ) = ĉor(u t, u t 1 ) = ˆϱ = (2 DW )/2 = 04/2 = 02 Übereinstimmung 3
4 iii. Führen Sie den Breusch-Godfrey-Test und den Test auf ARCH-Effekte jeweils der Ordnung 2 mit den Residuen aus ii. durch Breusch-Godfrey Serial Correlation LM Test: F-statistic Prob. F(2,6225) Obs*R-squared Prob. Chi-Square(2) Dependent Variable: RESID Sample: 11/27/1990 7/03/2015 Included observations: 6228 Presample missing value lagged residuals set to zero. Heteroskedasticity Test: ARCH F-statistic Prob. F(2,6223) 000 Obs*R-squared Prob. Chi-Square(2) 000 Dependent Variable: RESID^2 Sample (adjusted): 11/29/1990 7/03/2015 Included observations: 6226 after adjustments C 4.08E RESID(-1) RESID(-2) R-squared Mean dependent var 3.37E-19 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat C E RESID^2(-1) RESID^2(-2) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat und interpretieren Sie die Testergebnisse. Tests zeigen bei Ordnung 2 qualitativ das gleiche Ergebnis wie bei Ordnung 1. Stützen die Tests die Aussage Unkorreliertheit, aber keine stochastische Unabhängigkeit der DAX- Renditen? Ja (wie bei Ordnung 1). iv. Führen Sie den Breusch-Godfrey-Test und den Test auf ARCH-Effekte der Ordnung 5 für das Modell aus ii. durch Breusch-Godfrey Serial Correlation LM Test: F-statistic Prob. F(5,6222) 000 Obs*R-squared Prob. Chi-Square(5) 000 Dependent Variable: RESID Sample: 11/27/1990 7/03/2015 Included observations: 6228 Presample missing value lagged residuals set to zero. Heteroskedasticity Test: ARCH F-statistic Prob. F(5,6217) 000 Obs*R-squared Prob. Chi-Square(5) 000 Dependent Variable: RESID^2 Sample (adjusted): 12/04/1990 7/03/2015 Included observations: 6223 after adjustments C 1.74E RESID(-1) RESID(-2) RESID(-3) RESID(-4) RESID(-5) R-squared Mean dependent var 3.37E-19 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat C 7.91E E RESID^2(-1) RESID^2(-2) RESID^2(-3) RESID^2(-4) RESID^2(-5) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat und interpretieren Sie die Testergebnisse. Siehe folgende Tests zur Ordnung 10. Anmerkung: Für Ordnungen 3 finden wir eine signifikante Autokorrelation in den u t bzw. r t. Die Autokorrelation in den u t (bis zur Ordn. 28) scheint eliminiert, wenn man fünf Lags von r t einbezieht, d.h. zum Modell r t = β 0 + β 1 r t 1 + β 2 r t 2 + β 3 r t 3 + β 4 r t 4 + β 5 r t 5 + u t übergeht. Da ein solches Modell der Effizienzmarkthypothese widersprechen würde (wieso?), bleiben wir im Folgenden beim einfachen mean model (die Ergebnisse würden sich nicht qualitativ verändern). 4
5 Führen Sie den Breusch-Godfrey-Test und den Test auf ARCH-Effekte der Ordnung 10 für das Modell aus ii. durch Breusch-Godfrey Serial Correlation LM Test: F-statistic Prob. F(10,6217) 003 Obs*R-squared Prob. Chi-Square(10) 003 Dependent Variable: RESID Sample: 11/27/1990 7/03/2015 Included observations: 6228 Presample missing value lagged residuals set to zero. Heteroskedasticity Test: ARCH F-statistic Prob. F(10,6207) 000 Obs*R-squared Prob. Chi-Square(10) 000 Dependent Variable: RESID^2 Sample (adjusted): 12/11/1990 7/03/2015 Included observations: 6218 after adjustments C 3E RESID(-1) RESID(-2) RESID(-3) RESID(-4) RESID(-5) RESID(-6) RESID(-7) RESID(-8) RESID(-9) RESID(-10) R-squared Mean dependent var 3.37E-19 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat C 5.53E E RESID^2(-1) RESID^2(-2) RESID^2(-3) RESID^2(-4) RESID^2(-5) RESID^2(-6) RESID^2(-7) RESID^2(-8) RESID^2(-9) RESID^2(-10) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat und interpretieren Sie die Testergebnisse. Wir finden zwar eine signifikante Autokorrelation in den Residuen (und damit auch den Renditen selbst), allerdings ist sie wesentlich schwächer ausgeprägt als die Autokorrelation in den Quadraten (d.h. die Signifikanz der ARCH-Effekte), wie man z.b. am Vergleich der R 2 -Werte erkennt: Der BG(10)- Test (auf lineare Autokorrelation) weist nur ein R 2 von 05 auf, während der ARCH(10)-Test (auf quadratische Autokorrelation) ein R 2 von ca hat. 1 Entsprechend deutlich ist der Unterschied in den Werten der F -Statistik (3.3 vs. 127) oder χ 2 -Statistik. Es fällt auch auf, dass im BG-Test nur die Lags 3,4,5 individuell signifikant sind, während im ARCH- Test alle Lags (außer dem ersten) schon individuell sehr signifikant sind. Die individ. Signifikanz des Lags Nr. 5 könnte auch aus einer Wochentags-Periodizität resultieren (z.b. weil aufgrund eines Freitag-Nachmittag-Effekts die Rendite an Freitagen systematisch etwas höher ausfällt.) Man beachte dazu, dass die meisten Wochen gerade 5 Handelstage haben, einige Wochen aber auch weniger, z.b. die Weihnachts- und Osterwoche. Es könnte sein, dass die 5-Tage-Periodizität sich verschmiert und in der Signifikanz der Lags 3,4 und 5 ausdrückt. 2 Es lässt sich festhalten, dass die Autokorrelation in den (vorzeichenlosen) Rendite-Quadraten viel manifester ist als die Autokorrelation in den (vorzeichenbehafteten) Renditen selbst. Dies impliziert, dass man kaum das Vorzeichen der Rendite, aber recht gut ihren Absolutbetrag voraussagen kann. Dies wiederum bedeutet, dass sich zwar nicht die Rendite selbst, aber ihre Schwankungsbreite (Volatilität) recht gut voraussagen lässt. Da wir im ARCH-Test bei allen betrachteten Lags ein (fast immer: hochsignifikant) positives Vorzeichen haben, stabilisiert sich eine Volatiltätserhöhung in der (kurzfristigen) Vergangenheit, was konsistent zum Phänomen der Volatilitätsklumpung ist. 1 D.h. die aktuelle Rendite r t lässt sich auf Basis der 10 vorhergehenden Renditen nur ganz schlecht voraussagen (Korrelation zwischen Vorhersage und tatsächlichem Wert beträgt nur 05 = 0.07), während das Quadrat der Rendite sich mit den 10 vergangenen Renditequadraten recht gut vorhersagen lässt (Korrelation zwischen Vorhersage und tatsächlichem Wert beträgt 0.17 = 0.41 fast 6 mal so viel). 2 Dafür, dass auch eine Monats-Periodizität eine Rolle spielen könnte, spricht, dass das nächste individuell signifikante Lag im BG-Test bei Nr. 28 liegt. 5
6 v. Wieso erscheint eine ARCH-Modellierung für die Volatilität der DAX-Renditen adäquat? Weil wir hoch-signifikante ARCH-Effekte gefunden haben. Schätzen Sie das mean model bei unterstelltem ARCH(5)-Volatiltätsmodell per Max.Likelihood bei unterstellter Normalverteilung: r t = µ + u t, σ 2 t = δ + ϱ 1 u 2 t ϱ 5 u 2 t 5, u t {rt 1,r t 2,...} N (0, σ 2 t ) Convergence achieved after 20 iterations GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*RESID( -3)^2 + C(6)*RESID(-4)^2 + C(7)*RESID(-5)^2 C C 5.59E E RESID(-1)^ RESID(-2)^ RESID(-3)^ RESID(-4)^ RESID(-5)^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter Durbin-Watson stat Sind die Positivitäts- und Stationaritätsbedingungen für die ARCH-Schätzung erfüllt? Ja: Alle Koeffizienten in der Varianz-Gleichung sind positiv und Summe der Koeffizienten der û 2 t k < 1 Der Schätzwert ˆµ für die mittlere DAX-Rendite verändert sich dabei sehr stark gegenüber der OLS- Schätzung. Tatsächlich ist der mit dem ARCH-Modell geschätzte Wert, ˆµ = 0.07% pro Tag, mehr als doppelt so groß wie der OLS-Schätzwert von ca 02% pro Tag. Spricht die Richtung der Veränderung dafür, dass eine erhöhte Volatilität der DAX-Renditen eher in einer Wachstumsphase des DAX (überwiegend positive Schocks u t > 0) oder in einer Schrumpfungsphase (überwiegend negative Schocks u t < 0) auftritt? Dazu war als Hinweis gegeben: Argumentieren Sie damit, dass ARCH/GARCH-Schätzungen eine Art gewichtete OLS-Schätzung vornehmen, wobei Phasen hoher Volatilität mindergewichtet werden. Der stark vergrößerte Schätzwert (ARCH(5): 0.07% pro Tag, gegenüber OLS: ca 02% pro Tag) könnte sich dadurch erklären, dass Phasen hoher Volatilität tendentiell zusammenfallen mit Phasen, in denen der DAX einen fallenden Trend hat und somit überwiegend negative d.h. kleine Renditen aufweist. Wenn die ARCH-Schätzung diese Phasen mindergewichtet, gehen die großen (positiven) Renditen stärker ein und es kommt zu einer Vergrößerung des Schätzwerts gegenüber OLS, das jede Beobachtung gleichgewichtet. Bereits hier deutet sich an, dass der DAX volatiler ist, wenn er fällt als wenn er steigt. Oder: Die Anleger reagieren volatiler ( nervöser ) auf negative Rendite-Schocks bzw. einen fallenden DAX als auf positive Schocks bzw. einen steigenden DAX. Dies erweist sich als konsistente Erklärung für die restlichen Überlegungen (und legt bereits hier ein asymmetrisches ARCH-Modell nahe). 6
7 vi. Wieso erscheint eine GARCH-Modellierung für die Volatilität der DAX-Renditen adäquat? Weil wir ARCH-Effekte sehr hoher Ordnung gefunden haben. Ein GARCH-Modell kann dies i.d.r. mit weniger Parametern als ein ARCH-Modell erfassen ( parsimonity in parameters is a virtue ). Schätzen Sie das mean model mit GARCH(1,1)-Volatilitätsmodell per Max.Likelihood bei unterstellter Normalverteilung: r t = µ + u t, σ 2 t = δ + ϱ u 2 t 1 + τ σ 2 t 1, u t {rt 1,r t 2,...} N (0, σ 2 t ) Convergence achieved after 20 iterations GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 + C(5)*RESID( -3)^2 + C(6)*RESID(-4)^2 + C(7)*RESID(-5)^2 C C 5.59E E RESID(-1)^ RESID(-2)^ RESID(-3)^ RESID(-4)^ RESID(-5)^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter Durbin-Watson stat zum Vgl. nochmal ARCH(5)-Schätzung GARCH(1,1)-Schätzung Convergence achieved after 27 iterations GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) C C 3.21E E RESID(-1)^ GARCH(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter Durbin-Watson stat Conditional standard deviation ARCH(5) Conditional standard deviation (GARCH(1,1)) Anmerkung 1: Das GARCH-Modell liefert den glatteren Volatilitätsverlauf typisch Anmerkung 2: Die Volatilität σ t revertiert immer wieder auf unbedingtes σ = 1.4% Stationarität Sind die Positivitäts- und Stationaritätsbedingungen in der GARCH-Schätzung erfüllt? Ja: Alle Koeffezienten sind positiv und Summe Koeff(û 2 t 1 ) + Koeff(ˆσ2 t 1 ) = = < 1 Der Schätzwert ˆµ für die mittlere DAX-Rendite ist auch hier stark vergrößert gegenüber der OLS- Schätzung. Hier ˆµ = 0.066% vs. ˆµ OLS = 02% Legt dies eine hohe Volatilität in Phasen mit überwiegend positiven (den DAX erhöhenden) Schocks oder in Phasen mit überwiegend negativen Schocks nahe? Siehe vorne, die Überschätzung passt zu einer Volatilitätserhöhung als Reaktion auf negative Schocks. Anmerkung: Dass das GARCH(1,1)-Modell adäquater ist als das ARCH(5)-Modell, sieht man auch am erzielten Wert der Log-Likelihood: Sie ist beim GARCH-Modell, trotz weniger Parameter, größer (18627 vs ). Damit wird aber i.w. nur gemessen, wie gut das Modell die Daten fitten kann und der Fit ist etwas besser beim GARCH-Modell. Auch AIC und SIC zeigen eine Verbesserung (Verkleinerung, da mit der negativen Log-Likelihood gebildet) beim GARCH-Modell (Dies ist klar aus Log-Likelihood-Betrachtung, da zusätzliche Bestrafung für mehr Parameter beim ARCH-Modell). 7
8 vii. Wieso erscheint für die DAX-Renditen eine GARCH-Modellierung adäquat, die zulässt, dass positive Schocks einen anderen Effekt auf die Volatilität haben als negative? Das wurde vorne schon mehrfach diskutiert. Schätzen Sie das mean model mit einem TGARCH(1,1)-Volatilitätsmodell ( threshold order 1 ) per Max.Likelihood bei unterstellter Normalverteilung. Implementierung in EViews: r t = µ + u t, σt 2 = δ + α u 2 t 1 + β u 2 t 1 1[u t 1 < 0] + τσt 1, 2 u t {rt 1,r t 2,...} N (0, σt 2 ) { Es gilt: α U 2 + β U 2 1[U < 0] = αu 2 U 0 (α + β)u 2 U < 0 zum Vgl. nochmal GARCH(1,1)-Schätzung TGARCH(1,1)-Schätzung Convergence achieved after 27 iterations GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) Convergence achieved after 27 iterations GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-1)^2*(RESID(-1)<0) + C(5)*GARCH(-1) C C 3.21E E RESID(-1)^ GARCH(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter Durbin-Watson stat C C 3.39E E RESID(-1)^ RESID(-1)^2*(RESID(-1)<0) GARCH(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter Durbin-Watson stat Conditional standard deviation (GARCH(1,1)) Conditional standard deviation TGARCH(1,1) Bestätigen sich die Vermutungen bzgl. der asymmetrischen Wirkung des Vorzeichens vergangener Schocks auf die DAX-Volatilität? Koeffizient für Effekt positiver Schocks auf Volatilität: ˆα = 05 Koeffizient für Effekt negativer Schocks auf Volatilität: ˆα + ˆβ = = (demnach hätten negative Schocks einen fast um den Faktor 10 stärkeren Effekt auf Vola. als positive) Ist die Asymmetrie signifikant? (5%-Niveau) Teste: H 0 : α + β = α β = 0 Hochsignifikante Ablehnung Symmetrie auf Basis t-statistik. Anmerkungen dazu: Die t-statistik wird hier z-statistik genannt, (vermutlich) weil die p-werte aus der Std- Normalverteilung ermittelt werden (was bei der großen Zahl von Beobachtungen T > 6000 ohnehin keinen Unterschied macht). Tests linearer Restriktionen lassen sich ganz generell bei einer Max.Likelihood-Schätzung, wie hier, durchführen (siehe Wald-, LR- und LM-Tests im Abschnitt zur ML-Schätzung). Die zugehörigen Teststatistiken sind (asymptotisch) χ 2 -verteilt. Da eine χ 2 1-Verteilung das Quadrat einer Std-Normalverteilung ist, bekommt man für einen einfachen Signifkanztest von H 0 : β = 0 durch Wurzelziehen und Berücksichtigung des Vorzeichens auf die Std-Normalverteilung, d.h. die z-statistik. 8
9 viii. Schätzen Sie ein EGARCH(1,1)-Volatilitätsmodell (mit threshold order 1 ) per Max.Likelihood bei unterstellter Normalverteilung. Anmerkung: In EViews wird dazu folgendes Modell geschätzt: Mit Positivanteil X + := r t = µ + u t, log(σ 2 t ) = δ + α u t 1 σ t 1 + β u t 1 { X, X 0 0, X < 0 u. Negativanteil X := { 0, X 0 X, X < 0 σ t 1 + τ log(σ 2 t 1) α X + β X = (α + β)x + + (α β) X von X = ut 1 σ t 1 gilt: Convergence achieved after 27 iterations GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-1)^2*(RESID(-1)<0) + C(5)*GARCH(-1) C C 3.39E E RESID(-1)^ RESID(-1)^2*(RESID(-1)<0) GARCH(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter Durbin-Watson stat Convergence achieved after 18 iterations LOG(GARCH) = C(2) + C(3)*ABS(RESID(-1)/@SQRT(GARCH(-1))) + C(4) *RESID(-1)/@SQRT(GARCH(-1)) + C(5)*LOG(GARCH(-1)) C C(2) C(3) C(4) C(5) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter Durbin-Watson stat Conditional standard deviation TGARCH(1,1) Conditional standard deviation EGARCH(1,1) Anmerkung: Bei allen ARCH/GARCH-Modellen sehen wir starke Schwankungen in der Volatilität der DAX-Renditen. Z.B. ist σ t in der Finanzkrise 2008 drei- oder viermal so groß wie der langfristige ( unbedingte ) Wert σ = 1.4%. Mit einer solchen Std.Abweichung wird auch ein Ausreißerwert in der DAX-Rendite wie µ t = 10% (pro Tag!) nicht mehr derart unwahrscheinlich wie bei σ = 1.4% (selbst mit der unterstellten Normalvtlg.) Interpretieren Sie auch hier das Ergebnis in Bezug auf die asymmetrische Wirkung vergangener Schocks auf die Volatilität. Hier ˆα = C(3) = 0.12, ˆβ = C(4) = 0.08 Effekt negativer Schock (X ) auf Vola: ˆα ˆβ = 0.20 Effekt positiver Schock (X + ) auf Vola: ˆα + ˆβ = 0 Also auch hier: Viel stärkerer Effekt negativer als positiver Schocks auf die Volatilität (Faktor 5). Formaler Siginifikanztest auf asymmetrischen Effekt: H 0 : α β = α + β 2β = 0 β = 0. Dies kann auf Basis der t- (= z-) Statistik von C(4) hochsignifikant abgelehnt werden. Also auch formal: Hohe Signfikanz (t-statistik von 18) für asymmetrischen Effekt. Auf welchen Wert wird nun die mittlere DAX-Rendite ˆµ geschätzt? Mit ˆµ = 02% ( ˆ=8% DAX-Wachstum pro Jahr) fast genau auf den OLS-Schätzwert (= empir. Mittelwert) 9
10 Zum Abschluss noch die EGARCH(1,1)-Schätzung des um 5 autoregressive Terme erweiterten mean models, r t = β 0 + β 1 r t β 5 r t 5 + u t. (Schätzergebnis bzgl. Varianzmodell ändert sich kaum): EGARCH(1,1)-Schätzung Zum Vgl. die OLS-Schätzung dieses Modells: Sample (adjusted): 12/04/1990 7/03/2015 Included observations: 6223 after adjustments Sample (adjusted): 12/04/1990 7/03/2015 Included observations: 6223 after adjustments Convergence achieved after 50 iterations LOG(GARCH) = C(7) + C(8)*ABS(RESID(-1)/@SQRT(GARCH(-1))) + C(9) *RESID(-1)/@SQRT(GARCH(-1)) + C(10)*LOG(GARCH(-1)) C RETURN(-1) RETURN(-2) RETURN(-3) RETURN(-4) RETURN(-5) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Beachte: OLS hat das größere R 2 (weil OLS R 2 maximiert, während ML die (log-) Likelihood maximiert) C RETURN(-1) RETURN(-2) RETURN(-3) RETURN(-4) RETURN(-5) C(7) C(8) C(9) C(10) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Beim EGARCH(1,1)-Modell scheint die Autokorrelation sowohl in den Residuen selbst als auch in den Correlogram of Standardized Residuals Correlogram of Standardized Residuals Squared Residualquadraten verschwunden: (während bei OLS die Res.Quadrate nach wie vor autokorrelieren) Korrelogram Residuen EGARCH(1,1) bei AR(5)-Mean-Mod Sample: 12/04/1990 7/03/2015 Included observations: 6223 Autocorrelation Partial Correlation AC PAC Q-Stat Prob Korrelogr. Residualquadrate EGARCH(1,1) bei AR(5)-Mean-Mod Sample: 12/04/1990 7/03/2015 Included observations: 6223 Autocorrelation Partial Correlation AC PAC Q-Stat Prob
11 Aufgabe 22: Gegeben ist ein Zeitreihen-Regressionsmodell y t = β 0 + β x t + u t (1) das unter den Gauß-Markov-Annahmen im Stationaritäts-Szenario betrachtet wird. i. Die Grundformen von Hypothesentests auf/von a) Autokorrelation in den Störtermen (Breusch-Godfrey), b) statische Heteroskedastie (Breusch-Pagan bzw. White) c) Instationarität in Form von Unit-Roots (Dickey-Fuller), d) ARCH-Effekte (Engle) können allesamt auf OLS-geschätzten Regressionsmodellen aufgebaut werden (teilweise sind sie der OLS-Schätzung von (1) nachgelagert sind und verwenden deren Residuen û t anstelle der Störterme u t ). Notieren Sie hinter den folgenden Angaben, welcher der obigen Tests jeweils in seiner Grundform adressiert wird (sofern überhaupt zutreffend): 1) y t = α + ϱ y t 1 + ε t, Nullhypothese ϱ = 0 2) y t = α + ϱ y t 1 + ε t, Nullhypothese ϱ = 1 3) y t = α + ϱ û t 1 + ε t, Nullhypothese ϱ = 0 4) y t = α + ϱ û t 1 + ε t, Nullhypothese ϱ = 1 5) û t = α + ϱ û t 1 + ε t, Nullhypothese ϱ = 0 6) û t = α + ϱ û t 1 + ε t, Nullhypothese ϱ = 1 7) û 2 t = α + ϱ û t 1 + ε t, Nullhypothese ϱ = 0 8) û 2 t = α + ϱ û t 1 + ε t, Nullhypothese ϱ = 1 9) û 2 t = α + ϱ û 2 t 1 + ε t, Nullhypothese ϱ = 0 10) û 2 t = α + ϱ û 2 t 1 + ε t, Nullhypothese ϱ = 1 11) û 2 t = α + ϱ x t + ε t, Nullhypothese ϱ = 0 12) û t = α + ϱ x t + ε t, Nullhypothese ϱ = 0 ii. Welcher der vier Tests aus Teil i. sollte als erster (und für alle beteiligten Variablen) durchgeführt werden? Warum? Was unterscheidet diesen Test (bzgl. der Nullhypothese) von den drei anderen? Welche Maßnahme empfiehlt sich bei einer Verletzung der entsprechenden Gauß-Markov-Annahme (sofern nicht ko-integrierende Zeitreihen involviert sind)? iii. Bei welchen der vier Tests aus Teil i. ist selbst bei Verletzung der entsprechenden Gauß-Markov- Annahme noch Konsistenz der OLS-Schätzung sichergestellt (die anderen Gauß-Markov-Annahmen als erfüllt vorausgesetzt)? Erläutern Sie unter Verwendung der Begriffe Effizienz und statistische Inferenz die Probleme, die man bei OLS-Schätzung eines Modells hat, wo die Stationaritäts- und Exogenitätsannahmen erfüllt sind, aber Störterm-Heteroskedastie oder -Autokorrelation auftritt. iv. Wahr oder falsch: Wenn die Störterme in einem Regressionsmodell für Zeitreihen ARCH-Effekte enthalten, müssen sie notwendigerweise autokorreliert sein? v. Gegeben ist ein Zeitreihen-Modell, in dem ARCH-Effekte auftreten. Das Modell wird einmal mit OLS geschätzt und einmal mit Maximum-Likelihood basierend auf einem GARCH(1,1)- Residualmodell. Wahr oder falsch: Das R 2 der GARCH-Schätzung ist notwendigerweise kleiner (oder gleich) dem R 2 der OLS-Schätzung? (Das R 2 der GARCH-Schätzung sei dabei definiert als die quadrierte empirische Korrelation von gefittetem und tatsächlichem Outcome.) 11
8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme)
8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme) Annahme B4: Die Störgrößen u i sind normalverteilt, d.h. u i N(0, σ 2 ) Beispiel: [I] Neoklassisches Solow-Wachstumsmodell Annahme einer
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
Mehr1. Übung: Einführung in EVIEWS
Goethe-Universität Frankfurt Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Finanzökonometrie Sommersemester 2007 1. Übung: Einführung in EVIEWS Kreieren Sie eine Arbeitsumgebung (workfile)
MehrAutoregressiv bedingte Heteroskedastie (ARCH-GARCH-Modelle)
Autoregressiv bedingte Heteroskedastie (ARCH-GARCH-Modelle) 5. Juli 017 Autoregressiv bedingte Heteroskedastie (ARCH-GARCH-Modelle) Folie Stylized Facts von (stationären) Finanzmarkt-Zeitreihen (Stationarität
MehrTeekonsum in den USA (in 1000 Tonnen), Nimmt den Wert 1 an für alle Perioden, Durchschnittlicher Preis des Tees in Periode t (in Tausend $/Tonne).
Aufgabe 1 (5 Punkte) Gegeben sei ein lineares Regressionsmodell in der Form. Dabei ist y t = x t1 β 1 + x t β + e t, t = 1,..., 10 (1) y t : x t1 : x t : Teekonsum in den USA (in 1000 Tonnen), Nimmt den
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
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
Mehr1 Gliederung Zeitreihenökonometrie. Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09. Dr. Sylvia Kaufmann.
Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09 Dr Sylvia Kaufmann Februar 2009 Angewandte Ökonometrie, Sylvia Kaufmann, FS09 1 1 Gliederung Zeitreihenökonometrie Einführung
MehrZeitreihen-Ökonometrie SS 2015 Lösung der Wiederholungsaufgaben
Zeitreihen-Ökonometrie SS 2015 Lösung der Wiederholungsaufgaben Aufgabe 23: Betrachtet wird folgendes Modell zur Erklärung des Managergehalts salary durch den Umsatz sales, die Eigenkapitalrendite roe
MehrHeteroskedastie. Test auf Heteroskedastie. Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist.
Heteroskedastie Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist. Beispiele: Bei Zeitreihendaten : Ansteigen der Varianz über die Zeit, Anstieg der Varianz mit
MehrKlausur zur Veranstaltung Empirische Wirtschaftspolitik
Seite 1 von 11 Prof. Frank Westermann, Ph.D. Fachgebiet Internationale Wirtschaftspolitik Rolandstraße 8, 49069 Osnabrück Klausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2016/2017
Mehr6 Nichtstationarität und Kointegration
6 Nichtstationarität und Kointegration 6.1 Kapitelübersicht, Problematik Die Analyse nichtstationärer Zeitreihen wird folgende Gesichtspunkte anschneiden: Definition von Nichtstationarität, von integrierten
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 =
MehrX =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
MehrDas lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Das ökonomische
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung IX. Dynamische Modelle
Dipl. Vw. Matthias Kirbach Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrErgänzung der Aufgabe "Mindestlöhne" zu einer multiplen Regression
Prof. Dr. Peter von der Lippe ( Übungsblatt E) Ergänzung der Aufgabe "Mindestlöhne" zu einer multiplen Regression Das Beispiel "Mindestlöhne" zur einfachen multiplen Regression ergab die folgenden Parameter
Mehr6.4 Kointegration Definition
6.4 Kointegration 6.4.1 Definition Nach Engle und Granger (1987): Wenn zwei oder mehrere Variablen I(1) sind, eine Linearkombination davon jedoch I() ist, dann sind die Variablen kointegriert. Allgemein:
MehrAutokorrelation in den Störtermen
Autokorrelation in den Störtermen 21. Juni 2017 Autokorrelation in den Störtermen, S. 2 Auswirkungen von Störterm-Autokorrelation Wo liegen überhaupt die Probleme von OLS, wenn eine Störterm-AK vorliegt?
MehrKlausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2012/2013
Seite 1 von 10 Prof. Frank Westermann, Ph.D. Fachgebiet Internationale Wirtschaftspolitik Rolandstraße 8, 49069 Osnabrück Klausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2012/2013
MehrAllgemein zu Hypothesentests: Teststatistik. OLS-Inferenz (Small Sample) Allgemein zu Hypothesentests
OLS-Inferenz (Small Sample) K.H. Schild 3. Mai 017 Allgemein zu Hypothesentests: Teststatistik Konstruktion eines Hypothesentests erfolgt meistens über eine Teststatistik Eine Teststatistik T ist eine
Mehr5 Multivariate stationäre Modelle
5 Multivariate stationäre Modelle 5.1 Autoregressive distributed lag (ADL) 5.1.1 Das Modell und dessen Schätzung Im vorangehenden Kapitel führten wir mit der endogenen verzögerten Variablen, y t 1, als
MehrProbeklausur Zeitreihenökonometrie (Sommersemester 2014) 1
Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Aufgabe 1: Betrachtet wird folgendes Modell zur Erklärung des Managergehalts salary durch den Umsatz sales, die Eigenkapitalrendite roe und die
MehrProbeklausur EW II. Für jede der folgenden Antworten können je 2 Punkte erzielt werden!
Probeklausur EW II Bitte schreiben Sie Ihre Antworten in die Antwortfelder bzw. markieren Sie die zutreffenden Antworten deutlich in den dafür vorgesehenen Kästchen. Wenn Sie bei einer Aufgabe eine nicht-zutreffende
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
Mehr4. Nichtstationarität und Kointegration
4. Nichtstationarität und Kointegration 4.1 Einheitswurzeltests (Unit-Root-Tests) Spurious regression In einer Simulationsstudie haben Granger und Newbold (1974) aus zwei unabhängigen Random Walks (Unit-Root-Prozesse)
Mehr2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme)
2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme) Annahme A1: Im multiplen Regressionsmodell fehlen keine relevanten exogenen Variablen und die benutzten exogenen Variablen x 1,
MehrZeitreihen-Ökonometrie, SS 2017 Lösungen Aufgabenblatt 3
Zeitreihen-Ökonometrie, SS 2017 Lösungen Aufgabenblatt 3 Aufgabe 5: Mit dem folgenden Modell soll untersucht werden, ob die Höhe der Ausgaben für Wahlkampagnen bei den amerikanischen Präsidentschaftswahlen
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung VII/ VIII. Makroökonometrische Modellierung nach der Vereinigung
Dipl. Vw. Matthias Kirbach Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT CURANDO DOCENDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrKapitel 10. Multikollinearität. Exakte Multikollinearität Beinahe Multikollinearität
Kapitel 0 Multikollinearität Exakte Multikollinearität Beinahe Multikollinearität Exakte Multikollinearität Unser Modell lautet y = Xb + u, Dimension von X: n x k Annahme : rg(x) = k Wenn sich eine oder
MehrFinanzmarkttheorie I. Performancemessung in EViews Übungsunterlage. Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015
Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015 Finanzmarkttheorie I Performancemessung in EViews Übungsunterlage Die vorliegende Unterlage liefert eine kurze Einführung in die Schätzung linearer
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
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)
Mehr7. Integrierte Prozesse
7. Integrierte Prozesse Bisher: Behandlung stationärer Prozesse (stationäre ARMA(p, q)-prozesse) Problem: Viele ökonomische Zeitreihen weisen im Zeitverlauf ein nichtstationäres Verhalten auf 225 Beispiel:
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrMikro-Ökonometrie: Small Sample Inferenz mit OLS
Mikro-Ökonometrie: Small Sample Inferenz mit OLS 1. November 014 Mikro-Ökonometrie: Small Sample Inferenz mit OLS Folie Zusammenfassung wichtiger Ergebnisse des letzten Kapitels (I) Unter den ersten vier
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
Mehr2 Anwendungen und Probleme
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor 2 Anwendungen
Mehr3. Das einfache lineare Regressionsmodell
3. Das einfache lineare Regressionsmodell Ökonometrie: (I) Anwendung statistischer Methoden in der empirischen Forschung in den Wirtschaftswissenschaften Konfrontation ökonomischer Theorien mit Fakten
MehrV. Das lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Tino Conrad, M.Sc. Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2016 Übung zur
MehrProf. Regina T. Riphahn, Ph.D. WS 04/05 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 24. Februar 2005,
Prof. Regina T. Riphahn, Ph.D. WS 4/5 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 24. Februar 25, 9.-1.3 Uhr Erlaubte Hilfsmittel: Tabelle der statistischen Verteilungen, 4 DIN
Mehr4.2 Kointegration Konzept der Kointegration langfristiger (Gleichgewichts-) Beziehungen langfristige Relation (Gleichgewichtsbeziehung) Abweichungen
4.2 Kointegration Konzept der Kointegration: Untersuchung langfristiger (Gleichgewichts-) Beziehungen zwischen mehreren nicht-stationären ökonomischen Variablen Grundidee: Es kann eine stabile langfristige
MehrÜbung zur Empirischen Wirtschaftsforschung. VII. Ökonometrische Testverfahren. 7.2 Die Geldnachfragefunktion
Universität Ulm 89069 Ulm Germany Dipl.-Kfm. Philipp Buss Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
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
MehrÜbung VIII Ökonometrische Testverfahren
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrDer Ablauf bei der Erstellung empirischer Arbeiten
1 Prof. Dr. Werner Smolny SS 2002 Einführung in die empirische Wirtschaftsforschung Der Ablauf bei der Erstellung empirischer Arbeiten A Die wirtschaftliche Fragestellung und das theoretische Modell 1.
MehrPobeklausur: Einführung in die Ökonometrie. 1. (20 Punkte) Wir betrachten 2 (in den Koeffizienten) lineare Modelle mit folgenden Variablen:
Gesamtpunktzahl: 96 Pobeklausur: Einführung in die Ökonometrie 1. (20 Punkte) Wir betrachten 2 (in den Koeffizienten) lineare Modelle mit folgenden Variablen: cigs: gerauchte Zigaretten pro Tag educ: Bildung
MehrÜbung zur Empirischen Wirtschaftsforschung. VII. Ökonometrische Testverfahren. 7.1 Geldnachfragefunktion. 7.2 Empirische Ergebnisse: Westdeutschland
Universität Ulm 89069 Ulm Germany Dipl.-WiWi. Christian Peukert Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
MehrFragestunde zur Übung
Prof. Bernd Fitzenberger, Ph.D. Dr. Roland Füss Aderonke Osikominu Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Wintersemester 2007/08 Fragestunde zur Übung
MehrProf. Dr. Marc Gürtler WS 2015/2016. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft
Prof. Dr. Marc Gürtler WS 015/016 Prof. Dr. Marc Gürtler Klausur zur 10/1 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft Lösungsskizze Prof. Dr. Marc Gürtler WS 015/016 Aufgabe 1: (11+5+1+8=56
Mehr6. Statistische Schätzung von ARIMA Modellen
6. Statistische Schätzung von ARIMA Modellen Vorschau: ARIMA Modelle Modellidentifikation verschiedene Schätzverfahren Modelldiagnostik Fallstudien Zeitreihenanalyse 1 6.1 ARIMA Modelle Bisher: ARMA(p,q)-Modelle:
MehrLösung - Übungsblatt 10
Lösung - Übungsblatt 10 Aufgabe 2: Siehe Outputfile Aufgabe 2 a) Regressionsgleichung - Equation 1: price = β 1 + β 2 lotsize + β 3 sqrft + β 4 bdrms + u i Fit: price = β 1 + β 2 lotsize + β 3 sqrft +
MehrBeispiele für Prüfungsfragen Ökonometrie I und II
Beispiele für Prüfungsfragen Ökonometrie I und II Von den sieben Beispielen von Prüfungsfragen wären in einer konkreten einstündigen Prüfung etwa deren zwei zu beantworten. Aufgaben 3, 4, 6 und 7 beziehen
MehrKapitel 3. Inferenz bei OLS-Schätzung I (small sample, unter GM1,..., GM6)
8 SMALL SAMPLE INFERENZ DER OLS-SCHÄTZUNG Damit wir die Verteilung von t (und anderen Teststatistiken) exakt angeben können, benötigen wir Verteilungsannahmen über die Störterme; Kapitel 3 Inferenz bei
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
MehrAnalyse Multikollinearität am Beispiel einer Importfunktion für die Schweiz
2. Multikollinearität Ökonometrie II - Peter Stalder Analyse Multikollinearität am Beispiel einer Importfunktion für die Schweiz Die Güterimporte der Schweiz sollen mit der privaten Konsumnachfrage, den
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
MehrUnit-Root-Tests (und Einführung in Kointegrationstheorie)
Unit-Root-Tests (und Einführung in Kointegrationstheorie) 1. Juni 17 Unit-Root-Tests (und Einführung in Kointegrationstheorie) Folie Auch in diesem Kapitel Einiges zu Integrationsordnung (wie oft muss
MehrÜbungsblatt 4. Autokovarianz, Autokorrelation Invertierbarkeit und Kausalität
Empirische Methoden (MA) SS 2011 Übungsblatt 4 Willi Mutschler willi.mutschler@uni-muenster.de Autokovarianz, Autokorrelation Invertierbarkeit und Kausalität 1. Sei Z t W N(0, σ 2 ). Bestimmen Sie den
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrBeispiel für Varianzanalyse in multipler Regression mit zwei erklärenden Variablen
4. Multiple Regression Ökonometrie I - Peter Stalder 1 Beispiel für Varianzanalyse in multipler Regression mit zwei erklärenden Variablen Hypothese: Die Inflation hängt positiv von der Inflation im Vorjahr
Mehr1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
MehrAktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 2004) Forecasts und Evaluation
Aktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 24) Forecasts und Evaluation 1. Daten...2 2. Dynamische Forecasts...4 2.1 Exponential Smoothing...4 2.1.1 Double Exponential Smoothing...4 2.1.2 Holt-Winters...5
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
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
MehrDynamische Modelle: Schätzen und Modellwahl
1 / 23 Dynamische Modelle: Schätzen und Modellwahl Kapitel 18 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 23 Inhalt Dynamische Modelle und autokorrelierte Fehler Tests auf Autokorrelation
MehrÜbungsblatt 7: Schätzung eines Mietspiegels
Prof. Bernd Fitzenberger, Ph.D. Ute Leuschner Stefanie Schäfer Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Wintersemester 2010/11 Übungsblatt 7: Schätzung
MehrKurze Einführung in die Ökonometrie-Software E-Views
Kurze Einführung in die Ökonometrie-Software E-Views Folie 2 Workfile Kurze Einführung in die Ökonometrie-Software E-Views 4. November 2008 Typischerweise liegen die Daten in einem Spreadsheet -Format
MehrDie Schätzung einer Produktionsfunktion
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
MehrDynamische Modelle. 1 Ökonomische Relevanz. 2 Ökonometrische Modelle. a) Statisches Modell und Differenzenbildung
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
MehrMikro-Ökonometrie, WS 15/16 Musterlösung Aufgabenblatt 3
Mikro-Ökonometrie, WS 15/16 Musterlösung Aufgabenblatt 3 Aufgabe 3: Die Datei WAGE2.DTA enthält Daten einer Stichprobe von 935 männlichen US-amerikanischen Arbeitnehmern im Alter von 28 bis 38 Jahren.
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
MehrFragen zum zweiten Teil der Vorlesung
Albert-Ludwigs-Universität Freiburg Ökonometrie (Bachelor) Lehrstuhl Prof. Fitzenberger, Ph.D. WS 2011/12 Fragen zum zweiten Teil der Vorlesung 1. Es soll geprüt werden, ob das obere Quartil (das 75%-Quantil)
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
Mehr6. Schätzung stationärer ARMA-Modelle
6. Schätzung stationärer ARMA-Modelle Problemstellung: Statistische Anpassung eines stationären ARMA(p, q)-prozesses an eine Stichprobe von t = 1,..., T Prozessbeobachtungen Es bezeichne x 1,..., x T die
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
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 20
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 20 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
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
MehrJohn Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
MehrRegressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/
Regressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/2018 06.12.2018 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN Nachname:...................................................................
MehrKurs Empirische Wirtschaftsforschung
Kurs Empirische Wirtschaftsforschung 5. Bivariates Regressionsmodell 1 Martin Halla Institut für Volkswirtschaftslehre Johannes Kepler Universität Linz 1 Lehrbuch: Bauer/Fertig/Schmidt (2009), Empirische
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
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
MehrPrognose des österreichischen Bruttoverbrauchs von Rohöl in Tausend Tonnen Rohöleinheiten (TOE) Michael Pichler,
Prognose des österreichischen Bruttoverbrauchs von Rohöl in Tausend Tonnen Rohöleinheiten (TOE) Michael Pichler, 9951598 1. Aufgabenstellung Das Thema dieser Arbeit ist die Prognose des österreichischen
MehrSyntax. Ausgabe *Ü12. *1. corr it25 with alter li_re kontakt.
Syntax *Ü2. *. corr it25 with alter li_re kontakt. *2. regression var=it25 alter li_re kontakt/statistics /dependent=it25 /enter. regression var=it25 li_re kontakt/statistics /dependent=it25 /enter. *3.
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:.............................................................................
MehrKlausur zur Veranstaltung Empirische Wirtschaftspolitik
Seite 1 von 10 Prof. Frank Westermann, Ph.D. Fachgebiet Internationale Wirtschaftspolitik Rolandstraße 8, 49069 Osnabrück Klausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2014/2015
Mehr