Kurzeinführung in EViews
|
|
- Kristina Dressler
- vor 7 Jahren
- Abrufe
Transkript
1 Empirische Methoden (MA) SS 2011 Übungsblatt 1 Willi Mutschler willi.mutschler@uni-muenster.de Kurzeinführung in EViews 1. Starten Sie EViews und laden Sie das workfile Konsum.wf1 (workfiles sind das von EViews benutzte Datenformat). Eine gute Kurzeinführung bietet Stanz, Richard (2007): EViews Illustrated for Version 6, Chapter I. Folgen Sie den Schritten des Kapitels, benutzen Sie jedoch die Zeitreihe PrivKonsum aus dem Datensatz Konsum.wf1. Machen Sie sich insbesondere mit folgenden Dingen vertraut: Grafische Veranschaulichung und Übersichtsstatistiken Veränderung des Beobachtungszeitraums Erstellung von neuen Reihen und der Logarithmusfunktion Scatterplots inkl. Regressionslinie Einfache Regressionsanalyse: Regressionsoutput, (Grafische) Analyse der Residuen und Prognosen. Organisation des Workspaces und Speichern Solution:Vgl.Stanz, Richard (2007): EViews Illustrated for Version 6, Chapter I. Eine einfache Konsumfunktion 1 2. Eine einfache Konsumfunktion erklärt den Konsum als Funktion des Einkommens C t = β 0 +β 1 Y t +u t (1) C bezeichnet den realen privaten Konsum und Y das reale verfügbare Einkommen. Diese soll in der folgenden Aufgabe geschätzt werden. Öffnen Sie dazu zunächst den Datensatz Konsum.wf1 und betrachten Sie folgende Datensatzbeschreibung: CPI: Quelle Deutsche Bundesbank: Consumer-Price-Index, Preisindex(2005=100), quarterly, seasonally adjusted. 1 Diese Aufgabe ist angelehnt an Hackl, Peter (2005): Einführung in die Ökonometrie.
2 Emp. Methoden (MA)/Blatt 1 Page 2 of 8 Willi Mutschler Priv Konsum: Quelle Deutsche Bundesbank: Consumer expenditures in Billion Euros (also in Mrd. Euro), quarterly, current prices, seasonally adjusted. Verf EK: Quelle Deutsche Bundesbank: Disposable income in Billion Euros (also in Mrd. Euro), quarterly, current prices, seasonally adjusted. Zins: Quelle Datastream: Long-Term government bond yield 9-10 Years, quarterly, interest rate. (a) Erstellen Sie nun zwei neue Zeitreihen für den realen privaten Konsum und das reale verfügbare Einkommen. (i) Betrachten Sie beide Zeitreihen als Liniendiagramm. (ii) Betrachten Sie beide Zeitreihen als Scatterplot. (iii) Wie hoch ist die Kovarianz und die Korrelation? (iv) Lässt sich ein Zusammenhang erkennen? Solution: series ek=verf ek/cpi; series konsum=priv konsum/cpi Durch Markieren von beiden Zeitreihen (Reihenfolge beachten: Einkommen auf die x-achse, Konsum auf die y-achse!), Rechtsklick, Open as Group werden die darzustellenden Zeitreihen in einem eigenen Fenster geöffnet. (i) Anklicken von View, dann Line Graph liefert das Liniendiagramm. (ii) Anklicken von View, dann Scatter liefert das Streudiagramm KONSUM EK KONSUM EK Man erkennt den positiven Zusammenhang zwischen Konsum und Einkommen: steigt das Einkommen, wird mehr konsumiert. (iii) Die Analyse der Korrelation bestätigt diese Vermutung: Anklicken von View, Covariance Analysis und dann bei Covariance und Correlation ein Häkchen machen liefert die Kovarianz/Korrelationsmatrix. Die Kovarianz ist gleich und der Korrelationskoeffizienten hat einen Wert nahe bei Eins ( ). (iv) Alles deutet auf einen starken positiven linearen Zusammenhang hin.
3 Emp. Methoden (MA)/Blatt 1 Page 3 of 8 Willi Mutschler (b) Führen Sie nun eine Schätzung von (1) durch und interpretieren Sie die Koeffizienten β 0 und β 1. Solution: Variable Coefficient Std. Error t-statistic Prob. C EK β 0 = ist die Konstante bzw. der Achsenabschnitt. Wenn das reale verfügbare Einkommen Null beträgt, so beträgt der Konsum Mrd. Euro. Dies ist unsinnig. Die Konstante legt einfach nur ein Niveau fest. Oft ist eine Interpretationnichtmöglichbzw.unsinnig. β 1 = istdermarginaleEffekt des realen verfügbaren Einkommens. Wenn dieses um eine Einheit steigt, hier also um eine Mrd. Euro, dann steigt der Konsum um Mrd. Euro. (c) Schätzen Sie nun folgendes Modell: log(c t ) = β 0 +β 1 log(y t )+u t (2) Interpretieren Sie nun die Koeffizienten β 0 und β 1. Macht dieses Ergebnis ökonomisch Sinn? Solution: Variable Coefficient Std. Error t-statistic Prob. C LOG(EK) Das Interzept β 0 = beschreibt, wie viel konsumiert würde, wenn das verfügbare Einkommen Null wäre. Der negative Wert ist natürlich nicht realistisch und ist ein Hinweis (i) auf mögliche Mängel in der Modell-Spezifikation und (ii) darauf, wie problematisch das Extrapolieren eines Modells in einen Bereich des Regressors ist, für den keine Beobachtungen verfügbar sind. Interpretation β 1 = : Sowohl die endogene als auch die exogene Variable liegen in Logarithmen vor, d.h. hier ist eine Interpretation als Elastizität möglich, denn: log(y t ) = β 0 +β 1 log(x t )+u t log(y t ) = log(y t ) y t = log(y t) y t = 1 y t = y t y t y t y t y t log(x t ) = x t x t β 1 = log(y yt t) log(x t ) = y t x t x t
4 Emp. Methoden (MA)/Blatt 1 Page 4 of 8 Willi Mutschler β 1 ist somit eine Elastizität, d.h. das Verhältnis von zwei prozentualen Veränderungen. Der Regressionskoeffizient des Einkommens repräsentiert hier also die marginale Konsumneigung, den Anteil des Einkommens, der für Konsum verwendet wird. Diese Größe muss natürlich im Bereich von 0 bis 1 liegen; ein Wert von weit mehr als 1 lässt an der Korrektheit der Modell-Spezifikation zweifeln. (d) Schätzen Sie nun eine erweiterte Konsumfunktion (i bezeichnet den Zins): log(c t ) = β 0 +β 1 log(y t )+β 2 i t +u t (3) Interpretieren Sie nun die Koeffizienten β 0, β 1 und β 2. Macht dieses Ergebnis ökonomisch Sinn? Solution: Variable Coefficient Std. Error t-statistic Prob. C LOG(EK) ZINS Die Interpretation der Konstante macht hier immer noch keinen Sinn, jedoch liegt durch Hinzunahme des Zinses die marginale Konsumneigung zwischen 0 und 1, d.h. bei einem Prozent mehr Einkommen steigt der Konsum um 93.95%. β 2 ist eine Semi-elastizität: Steigt der Zins um einen Prozentpunkt, so sinkt der Konsum um %. (e) Interpretieren Sie den Regressionsoutput soweit Sie können. Solution: Siehe hierzu auch die Hinweise zum Regressionsoutput auf der Kurshomepage. t-statistik und p-wert Mithilfe der t-statistik wird überprüft, ob der geschätzte Koeffizient signifikant von 0 verschieden ist. Die Nullhypothese lautet H 0 : β i = 0. Unterder Nullhypotheseistt = (ˆβ i 0) SE(ˆβ i ) t-verteiltmit(n-k-1)-freiheitsgraden, die recht schnell gegen eine Standardnormalverteilung konvergiert. Aus der Statistik ist bekannt, dass man aus Verteilungen Wahrscheinlichkeiten mithilfe von kritischen Werten berechnen kann. Beispielsweise gilt für eine Std-Normalverteilte Variable Z N(0; 1), dass Z mit 95%-iger Wahrscheinlichkeit zwischen und 1.96 liegt: Pr( 1.96 Z 1.96) = Die Fläche unter der Dichtefunktion links von und rechts von 1.96
5 Emp. Methoden (MA)/Blatt 1 Page 5 of 8 Willi Mutschler beinhaltet also zusammen 5%. Dies wäre dann der p-wert zum kritischen Wert ±1.96: p = Diese Vorgehensweise überträgt man nun auf den t-test: Ist die Nullhypothese wahr, so liegt der berechnete t-wert t = (ˆβ i 0) SE(ˆβ i ) mit 95%-iger Wahrscheinlichkeit zwischen ±1.96, da t unter H 0 (asymptotisch) Standard-Normalverteilt ist. Liegtderberechnetet-Wertaußerhalb,also t > 1.96,soist dievariable t nicht Std-Normalverteilt, d.h. die Nullhypothese ist falsch und wird auf einem Signifikanzniveau von α = 5% (Fehler 1. Art) abgelehnt. Mit anderen Worten: Für t > 1.96 ist β i signifikant von Null verschieden, der Regressor besitzt also Erklärungsgehalt im Model. Der Flächeninhalt der Dichtefunktion links und rechts vom berechneten t ergibt den zugehörigen p-wert. Grob: p ist die Wahrscheinlichkeit mit der die Nullhypothese stimmt. Somit lässt sich mit dem p-wert ganz leicht die Testentscheidung fällen: Ist p < 0.05 so lehne ich die Nullhypothese auf einem Signifikanzniveau von 5% ab. Diese Vorgehensweise gilt für (fast) alle Tests. HIER: Bis auf das Interzept sind alle Koeffizienten statistisch signifikant von Null verschieden, d.h. sowohl der Einfluss des logarithmierten verfügbaren Einkommens, als auch der Einfluss des Zinses sind statistisch signifikant von Null verschieden. Das Bestimmtheitsmaß R 2 und das adjustierte Bestimmtheitsmaß R 2 Das R 2 misst wie gut das Modell die Streuung der Daten erklärt: R 2 = ESS TSS mit ESS = 1 n 1 n i=1(ŷi Ȳ) 2 als Estimated-Sum-Squared (erklärte Varianz) und ESS = 1 n 1 n i=1( Yi Ȳ) 2 als Total-Sum-Squared (Gesamtvarianz). Ein R 2 = 1 bedeutet, dass die gesamte Streuung von Y i durch das geschätzte Modell erklärt wird. Bei einem R 2 = 0 hingegen wird die Streuung nicht erklärt. Mit dem normalen R 2 lassen sich streng genommen alternative ökonometrische Modelle nur bei gleicher Anzahl von Regressoren vergleichen. Mit dem adjustierten Bestimmtheitsmaß lassen sich Modell mit unterschiedlicher Anzahl von Regressoren besser miteinander vergleichen, da eine Korrektur der Freiheitsgrade erfolgt.
6 Emp. Methoden (MA)/Blatt 1 Page 6 of 8 Willi Mutschler HIER: Ein R 2 von und ein R 2 von sind fast schon zu perfekte Werte für das Bestimmtheitsmaß. Man sollte bei solch einem Wert immer suspekt sein, ob wirklich alle Annahmen des linearen Regressionsmodells zulässig sind. Insbesondere gilt bei Zeitreihen, dass die Störterme autokorreliert sind (siehe Durbin-Watson-Statistik) und dies führt u.a. zu einem derart hohen Bestimmtheitsmaß. S.E. of regression ist ein Schätzer für die Standardabweichung des Störterms. Sum squared resid ist die Residuenquadratsumme. Diese sollte nahe Null sein. Log likelihood ist der Wert der in der Maximum-Likelihood verwendeten Schätzfunktion. Dieser wird für diverese Tests gebraucht bzw. kann auch zur Modellanpassung und -vergleich benutzt werden. F-Statistik Der standardmäßig ausgegebene F-Test testet die Nullhypothese H 0 : β 1 = β 2 = = β k (Wichtig: NICHT die Konstante!) gegen H 1 : mindestens ein β i 0. Der F-Test testet folglich mehrere Parameter gleichzeitig(im Vergleich dazu testet der t-test nur einzeln). HIER: Da die F-Statistik sehr hoch ist (F = ) und der p-wert Prob(F-Statistic)= 0, wird die Nullhypothese abgelehnt. Mit anderen Worten: Das Modell an sich besitzt Erklärungsgehalt. Es gibt mindestens einen Koeffizient der von Null verschieden ist. Mean dependent var ist der Mittelwert der endogenen Variablen. S.D. dependent var ist die (korrigierte) Standardabweichung der endogenen Variablen. Akaike info criterion, Schwarz criterion und Hannan-Quinn criter. Dies sind die sogenannten Informationskriterien, die man zur Modellauswahl (insbesondere zur Lag-Bestimmung von ARMA Modellen verwendet). Die Idee ist es einen Ausgleich zwischen einer guten Anpassung und einer sparsamen Modellierung zu erreichen. Je kleiner die Werte, desto besser (vorsicht vor Flüchtigkeitsfehlern bei negativen Zahlen). Durbin-Watson stat
7 Emp. Methoden (MA)/Blatt 1 Page 7 of 8 Willi Mutschler Der Durbin-Watson-Test überprüft die Nullhypothese, dass die Störgrößenunkorreliert sind(genauer: H 0 : DieAutokorrelationerster Ordnung ist 0) und ist somit ein Test zur Spezifikation des Modells. Bei positiver Autokorrelation kann man einen Wert zwischen 0 und 2 erwarten. Bei negativer Autokorrelation kann man einen Wert zwischen 2 und 4 erwarten. Liegt die Statistik nahe beim Wert 2, so gibt es keine wesentliche Autokorrelation der Störgrößen. HIER: Die DW-Statistik hat einen Wert von Die Störterme scheinen also positiv autokorreliert zu sein, die Modellspezifikation ist somit nicht korrekt. (f) Analysieren Sie die Residuen des erweiterten Modells: (i) Berechnen Sie die üblichen deskriptiven Statistiken (Mittelwert, Standardabweichung, Schiefe) zur Beschreibung ihrer Verteilung; (ii) zeichnen Sie ein Histogramm und ein Q-Q-Plot zur Beurteilung, ob die Residuen normalverteilt sind. Solution: Es empfiehlt sich, die Residuen in einer neuen Variablen zu speichern: Proc-Make Residual Series. Ansonsten findet man die Residuen der zuletzt durchgeführten Schätzung in der EViews-Variable RESID. Doppeltes Anklicken der Residuen-Zeitreihe öffnet das Fenster mit dieser Zeitreihe. Anklicken der Schaltfläche View, dann Descriptive Statistics, dann Histogram and Stats liefert folgenden Output: Der Mittelwert hat praktisch den Wert Null; für Standardabweichung und Schiefe ergeben sich und Dem relativ zur Standardabweichung der abhängigen Variablen ( ) kleinen Wert der Standardabweichung entspricht der hohe Wert des Bestimmtheitsmaßes (0.95). Der Wert der Schiefe nahe bei Null weist auf nur geringe Abweichungen von einer symmetrischen Verteilung der Residuen ab. Die Form des Histogramms ähnelt allerdings der Glockenform nur eingeschränkt. Auch das Q-Q-Plot weist auf Abweichungen von der Normalverteilung hin: Das Q-Q-Plot ergibt sich durch Anklicken der Schaltfläche View-Graph, dann Quantile - Quantile. Im Auswahlfenster ist Normal distribution zu markieren. Bei einer perfekten Normalverteilung der Residuen würden die Punkte auf einer Geraden liegen. (g) Zeichnen Sie(i) ein Streudiagramm der geschätzten Werte für den realen Konsum über den wahren Werten. Zeichnen Sie (ii) ein Streudiagramm der Residuen über dem realen Konsum. Interpretieren Sie den Wert des Bestimmtheitsmaßes der angepassten Konsumfunktion.
8 Emp. Methoden (MA)/Blatt 1 Page 8 of 8 Willi Mutschler Solution: KONSUM 3.1 KONSUM KONSUMF RESID01 Der hohe Wert des Bestimmtheitsmaßes spiegelt sich in der guten Übereinstimmung zwischen Beobachtungen und geschätzten Werten wider. Das Muster des Residuen-Streudiagramms zeigt jedoch, dass zwischen den Residuen und der abhängigen Variablen eine deutliche funktionale Abhängigkeit besteht; die Residuen sind keine zufälligen Größen, das Modell erklärt die abhängige Variable nur ungenügend. Ein hoher Wert des Bestimmtheitsmaßes genügt nicht, die Adäquatheit des Modells zu zeigen!
1 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
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
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
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
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
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
Mehr8. 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
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
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
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
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
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
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
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
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
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
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
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrSchätzung im multiplen linearen Modell VI
Schätzung im multiplen linearen Modell VI Wie im einfachen linearen Regressionsmodell definiert man zu den KQ/OLS-geschätzten Parametern β = ( β 0, β 1,..., β K ) mit ŷ i := β 0 + β 1 x 1i +... β K x Ki,
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
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:
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
Mehr3.3 Konfidenzintervalle für Regressionskoeffizienten
3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird
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
Mehr11. Übungsblatt zur Vorlesung Ökonometrie SS 2014
Universität des Saarlandes Lehrstab Statistik Dr. Martin Becker Dipl.-Kfm. Andreas Recktenwald 11. Übungsblatt zur Vorlesung Ökonometrie SS 2014 Aufgabe 45 Die in Aufgabe 43 getroffene Annahme heteroskedastischer
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
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
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
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
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
Mehr6. Tutoriumsserie Statistik II
6. Tutoriumsserie Statistik II 1. Aufgabe: Eine Unternehmensabteilung ist ausschließlich mit der Herstellung eines einzigen Produktes beschäftigt. Für 10 Perioden wurden folgende Produktmenge y und Gesamtkosten
Mehr4. Das multiple lineare Regressionsmodell
4. Das multiple lineare Regressionsmodell Bisher: 1 endogene Variable y wurde zurückgeführt auf 1 exogene Variable x (einfaches lineares Regressionsmodell) Jetzt: Endogenes y wird regressiert auf mehrere
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
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
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrStatistik II für Betriebswirte Vorlesung 8
Statistik II für Betriebswirte Vorlesung 8 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 3. Dezember 2018 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 8 Version:
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,
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
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
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
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)
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
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 3.6 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
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
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrFlussdiagramm der ökonometrischen Methode
Flussdiagramm der ökonometrischen Methode z.b Sättigungs modell Parameter schätzung Daten Sach verhalt oder Spezifikation des ökonometrischen Modells geschätztes Modell phäno menologische Modellierung
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
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
MehrIII. Prognosen - Teil 1
Universität Ulm 89069 Ulm Germany B.Sc. Andreas Indlekofer Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2017 Übung
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
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
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
MehrStatistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
MehrIII. Prognosen - Teil 1
Universität Ulm 89069 Ulm Germany Dipl.-Kfm. Philipp Buss B.A. Alexander Rieber Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
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
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
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie WS 2014/15. ( = 57 Punkte)
Aufgabe 3 (6 + 4 + 8 + 4 + 10 + 4 + 9 + 4 + 8 = 57 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe eines multiplen linearen Regressionsmodells soll auf
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
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:
MehrEmpirische Wirtschaftsforschung in R
Empirische Wirtschaftsforschung in R Schätzung der keynesianischen Geldnachfragefunktion auf Basis von Daten der dänischen Volkswirtschaft Jonas Richter-Dumke Universität Rostock, Institut für Volkswirtschaftslehre
MehrBachelorprüfung SS 2014
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung SS 2014
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
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 1 bis 4 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie WS 2017/18. ( = 58 Punkte)
Aufgabe 3 (14 + 2 + 7 + 7 + 3 + 5 + 9 + 11 = 58 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe der Statistiksoftware R soll der Datensatz HousePrices aus
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
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:.............................................................................
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
MehrDas klassische Regressionsmodell: Ein Beispiel
1 / 43 Das klassische Regressionsmodell: Ein Beispiel Kapitel 2 Ökonometrie I Michael Hauser 2 / 43 Inhalt Ein Beispiel für das klassische, bivariate Regressionsmodell: Okun s Gesetz Das bivariate, lineare
MehrSchweizer Statistiktage, Aarau, 18. Nov. 2004
Schweizer Statistiktage, Aarau, 18. Nov. 2004 Qualitative Überprüfung der Modellannahmen in der linearen Regressionsrechnung am Beispiel der Untersuchung der Alterssterblichkeit bei Hitzeperioden in der
Mehr1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
MehrEinführung in die Methoden der Empirischen Wirtschaftsforschung
Einführung in die Methoden der Empirischen Wirtschaftsforschung Prof. Dr. Dieter Nautz Einführung in die Methoden der Emp. WF 1 / 37 Übersicht 1 Einführung in die Ökonometrie 1.1 Was ist Ökonometrie? 1.2
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
MehrTeil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.
Woche 11: Multiple lineare Regression Patric Müller Teil XIII Multiple lineare Regression ETHZ WBL 17/19, 10.07.017 Wahrscheinlichkeit und Statistik Patric Müller WBL
MehrBachelorprüfung SS MUSTERLÖSUNG
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung SS 2014
Mehr2. Generieren Sie deskriptive Statistiken (Mittelwert, Standardabweichung) für earny3 und kidsunder6yr3 und kommentieren Sie diese kurz.
Statistik II Übung : Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (6-24 Jahre alt) und der Anzahl der unter
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
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrB. Regressionsanalyse [progdat.sav]
SPSS-PC-ÜBUNG Seite 9 B. Regressionsanalyse [progdat.sav] Ein Unternehmen möchte den zukünftigen Absatz in Abhängigkeit von den Werbeausgaben und der Anzahl der Filialen prognostizieren. Dazu wurden über
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
MehrWiederholungsübungen zu den Kapiteln 7 bis 11
Mittelwert-Tests Übung Wiederholungsübungen zu den Kapiteln 7 bis 11 In dieser Übung wird der Datensatz 4 verwendet. In dem (fiktiven) Datensatz sind für 50 Personen vier Variablen erfasst: das Geschlecht,
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie SS 2018
Aufgabe 3 (15 + 1 + 7 + 7 + 7 + 5 = 42 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe der Statistiksoftware R soll der Datensatz HousePrices aus dem Paket
MehrInstrument zur Untersuchung eines linearen Zusammenhangs zwischen zwei (oder mehr) Merkmalen.
Gliederung Grundidee Einfaches lineares Modell KQ-Methode (Suche nach der besten Geraden) Einfluss von Ausreißern Güte des Modells (Bestimmtheitsmaß R²) Multiple Regression Noch Fragen? Lineare Regression
MehrDas Lineare Regressionsmodell
Das Lineare Regressionsmodell Bivariates Regressionsmodell Verbrauch eines Pkw hängt vom Gewicht des Fahrzeugs ab Hypothese / Theorie: Je schwerer ein Auto, desto mehr wird es verbrauchen Annahme eines
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie SS ( = 57 Punkte)
Aufgabe 3 (9 + 5 + 7 + 7 + 3 + 9 + 7 + 10 = 57 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Zu Beginn der Studienjahre 2011 und 2012 wurden Studienanfänger an
Mehr