2 Implementierung des multiplen Regressionsmodells
|
|
- Liese Diefenbach
- vor 7 Jahren
- Abrufe
Transkript
1 Ökonometrisches Modellieren mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 10. Dezember 2004, Redaktion: Frühwirth-Schnatter 2 Implementierung des multiplen Regressionsmodells 2.1 Modellformulierung und OLS-Schätzung Wie Sie am einfachsten starten Das multiple Regressionsmodell y i = β 1 + β 2 x 2,i β K x K,i + ε i wird in EViews folgendermaßen implementiert: Markieren Sie im Directory des Workfiles zuerst die Responsevariable Y, dann die erklärenden Variablen X 2,..., X K. Doppelklick, und wählen Sie dann Open/as Equation. Es erscheint eine Box, die bei Equation Specification zuerst die Responsevariable, dann die erklärenden Variabeln und schließlich die Konstante (c) ins Modell aufnimmt. Weiters sehen Sie den Beobachtungszeitraum (sample) und die gewählte Schätzmethode (Least Squares). Sie können vor der Schätzung den Beobachtungsrahmen in sample verändern. Klicken von OK führt die OLS-Schätzung durch. Andere Startmöglichkeiten Sind die Daten als object vom Typ group vorhanden, können Sie die Gruppe öffnen, und über Procs/Make Equation starten. Sie können von der Eviews Menuleiste mit Quick/Estimate Equation eine leere Box Equation Specification erstellen. Objekte vom Typ equation Sobald Sie OK geklickt haben, erstellt EViews ein neues Objekt vom Typ equation. Ökonometrische Modelle und ihre Anwendung auf einen bestimmten Datensatz sind in EViews prinzipiell in dieser Form organisiert. Das neue Objekt vom Typ equation wird nicht automatisch im workfile directory eingetragen wird, sondern zunächst in einem namenlosen Equation-Window 5
2 (untitled) in einem defaultmäßigen View dargestellt wird. Das verhindert ein Ausufern der Ergebnisse. Abgespeichert wird nur, was Sie wirklich aufzuheben möchten. Sie können die noch namenlose Schätzung über den Button Name abspeichern. Die Schätzung wird im workfile directory unter dem gewählten Namen abgespeichert, und durch das Zeichen = als Schätzung charakterisiert ist Ändern der Modellformulierung Wollen Sie ein anderes Modell schätzen, ohne die alte Schätzung zu zerstören, so klicken Sie zuerst den Button Objects/Copy Objects. Sie erhalten eine Kopie des alten Modells, das Sie über den Button Estimate verändern und über den Button Name unter einer neuen Bezeichnung abspeichern können. Sie können nun die Equation Specification editieren, z.b. eine Prädiktorvariable entfernen. Sie können aber auch einzelne oder alle Variablen transformieren, indem z.b. die Variable predictor durch eine Formel, z.b. log(predictor) ersetzen Modellformulierung eines log-linearen Modells Beim log-linearen Modell log(y i ) = β 1 + β 2 log(x 2,i ) β K log(x K,i ) + ε i wird wie oben beschrieben zunächst ein lineares Model gestartet, vor dem Schätzen werden die Variablen folgendermaßen editiert: log(responsevariable) log(predictor2) log(predictor3)... log(predictork) c Definition von weiteren Prädiktorvariablen Enthält das Regressionsmodell Potenzen von beobachteten Prädiktorvariablen, z.b. x 3,i = x 2 2,i, so wird die zugehörige Prädiktorvariable mit der Funktion predictorˆ0.5 definiert. Enthält das Regressionsmodell Interaktionsterme von beobachteten Prädiktorvariablen, z.b. x 4,i = x 2,i x 3,i, so wird die zugehörige Prädiktorvariable mit der Funktion predictor2*predictor3 definiert. Enthält das Regressionsmodell eine Trendvariable, z.b. x 2,i = i (bzw. in Zeitreihennotation x 2,t = t), so lautet die zugehörige Bei undatierten Beobachtungen wählt man am bei datieren Daten den Zeitpunkt unmittelbaren vor der ersten Beobachtung, wenn die Daten mit 1965:1 beginnen. Saisonale Dummyvariablen werden in EViews unter Verwendung der vordefinierten saisonalen Variablen definiert. Die 6
3 ist eine vordefinierte Variable, die in der ersten Periode den Wert 1 und sonst 0 annimmt, d.h. für Quartalsdaten im ersten Quartal, für Monatsdaten im ersten Monat. Allgemein ist die ist eine vordefinierte Variable, die nur in der s-ten Periode den Wert 1 und sonst 0 annimmt, d.h. für Quartalsdaten im s.ten Quartal, für Monatsdaten im s-ten Monat. Hinweis: Über den button procs/make regressor group kann man die tatsächlichen Werte der Variable kontrollieren. 2.2 Das Equation-Window Wie oben beschrieben, wird das Ergebnis der OLS-Schätzung in einem zunächst namenlosen Equation-Window in einem defaultmäßigen View dargestellt. Daraus läßt sich folgendes ablesen: 1. der Name der Responsevariable (Dependent Variable) aus der 1. Zeile; 2. der Beobachtungszeitraum (Sample) aus der 4. Zeile; 3. die Anzahl der verwendeten Beobachtungen (Included Observations) aus der 5. Zeile; 4. die Reihennamen der Prädiktorvariablen (Variable) aus der ersten Spalte der Tabelle, wobei c für die Konstante steht; 5. die geschätzen Parameter ˆβ k (Coefficient) aus der zweiten Spalte der Tabelle; 6. die statistische Schwankungsbreite SD k des OLS-Schätzers (Std. Error) aus der dritten Spalte der Tabelle; 7. Der t k -Wert der OLS-Schätzung ˆβ k, k = 1,..., K (T-Statistics) aus der vierten Spalte der Tabelle. 8. Der dem t k -Wert entsprechende p-wert (Prob) aus der letzten Spalte der Tabelle. 9. Die minimale Fehlerquadratsumme SS R (Sum squared resid). 10. Das Bestimmtheitsmaß R 2 (R-squared) 11. Der unverzerrte Schätzwert ˆσ 2 für die Varianz σ 2, allerdings nicht direkt. Unter (S.E. of regression) kann die Wurzel ˆσ = ˆσ 2 abgelesen werden. 12. AIC und SC (Schwarz criterion) zur Modellwahl Weitere Views eines equation-windows werden weiter unten besprochen, zum oben beschriebenen Standardoutput kann jederzeit über den button Stats zurückgekehrt werden. 7
4 2.3 Weitere Auswertungen im Regressionsmodell Ermitteln und Darstellen des geschätzten Modells Will man für das geschätzte Regressionsmodell den geschätzten Strukturanteil (Fit) ŷ i = ˆβ 1 + ˆβ 2 x 2,i ˆβ K x K,i, i = 1,..., n ermitteln, so geht das am einfachsten über den button resids im Equation Window. Es ist der Fit im Vergleich zu y i über der Beobachtungsnummer aufgetragen. Eine tabellarische Darstellung dieser Ergebnisse erhält man über den Button View/Actual, Fitted, Residual/Table. Über den Button Forecast mit anschliessendem OK erhält man ein Objekt des Typs series mit den gefitteten Werten. Der Name dieser series wird von EViews durch ein Anhängen des Buchstabens f an den Namen der Responsevariablen gewählt, kann aber in der Dialogbox verändert werden Parametertests Testen, ob ein bestimmter Parameter gleich 0 direkt mit dem t-wert und dem p-wert in der Tabelle des Standardoutputs. Mit View/Coefficient Tests/Redundant Variables kann man testen, ob mehrere Koeffizienten den Wert 0 annehmen. In die Dialogbox werden die Namen der zugehörigen Prädiktoren eingetippt. EViews berechnet eine passende F-Statistik und bestimmt den p-wert dieser Statistik. Testen von Restriktionen über View/Coefficient Tests/Wald-Coefficient restrictions. In die Dialogbox werden die Restriktionen unter Verwendung der Zeilennummer des Parameters im Standardoutput eingetippt. Möchte man testen, ob der Parameter in der zweiten Zeile den Wert 1 annimmt, so lautet die Restriktion: c(2)= Residuendiagnose Wenn Sie im equation-window eines Regressionsmodells den Button View/Actual, Fitted, Residual/Residual Graph anklicken, so erhalten Sie einen Zeitreihenplot der OLS-Residuen mit den Schwankungsbändern ±2 ˆσ. Da diese Schwankungsbänder für kleinere Datenumfänge zu schmal sind, werden auch bei einem korrekten Modell mehr als 5% der Residuen aus dem Band herausfallen. Wenn Sie noch andere Darstellungen mit den OLS-Residuen durchführen wollen, so können Sie im Equation Window über den Button Procs/Make Residual Series ein Objekt des typs series mit den Residuen erzeugen. EViews wechselt automatisch in den Spreadsheet View dieser Reihe und vergibt einen Defaultnamen. Wenn Sie in diesem Window den Button Name anklicken, können Sie die Reihe umbenennen. Zur Überprüfung der Annahme A2 erstellen Sie einen Scatterplots zwischen Prädiktorvariable und Residuenreihe. Ein Test auf Normalverteilung der Residuen kann über den Button View/Residual Tests/ Histogram-Normality Test durchgeführt werden. 8
5 2.3.4 Modellvergleich mit AIC und Schwarz Criterion Der Standardoutput eines Regressionsmodells im Equation Window weist sowohl ein AIC als auch ein Schwarz Criterion aus. Leider stimmen die Formeln, die dabei verwendet wurden, nicht den Formeln der Vorlesung überein. Es besteht folgender Zusammenhang zwischen dem mit EViews berechneten AIC und SC mit dem AIC und SC der Vorlesung: AIC = AIC n + constant SC = SC n + constant Da die Zahl der Beobachtungen für alle Modelle gleich ist, ist die Reihung der Modelle, die mit den in EViews modifizierten Kriterien entsteht, identisch mit der Reihung nach den Formeln der Vorlesung. Wenn Sie das AIC und SC eines log-linearen Modells transformieren wollen, um es mit dem AIC und SC eines linearen Modells zu vergleichen, brauchen Sie den Mittelwert der logarithmierten Variable y i. Den Wert finden Sie unter Mean dependent var im unteren Teil des Standard Eviews Output. 2.4 Vorhersage für Prädiktorvariablen ohne Responsevariable Erweitern Sie den maximalen Bearbeitungsrahmen (Range), indem Sie im Workfile Window den Button Procs/Change Workfile Range anklicken. Im Dialogfenster, das nun erscheint, kann der maximalen Bearbeitungsrahmen über end date erweitert werden. Es bewährt sich, auch im Workfile den aktuellen Bearbeitungsrahmen über den Button Sample zu erweitern. Schätzen Sie für die vollständigen Beobachtungen ein Regressionsmodell. Eröffnen Sie im equation-window, das dem geschätzten Regressionsmodell entspricht, eine Gruppe mit der Response- und den Prädiktorvariablen über Proc/Make Regressor Group. EViews eröffnet dann ein neues group-window im spreadsheet- View. Der range dieser Gruppe entspricht dem erweiterten Workfile-Range. Wurde der Workfile-Range nach Durchführung der Regression erweitert, kann der Rahmen über den Button Smpl+/- erweitert werden. Die künftigen Prädiktorvariablen sind undefiniert (NA). Nun müssen Sie EViews die künftigen Werte der Prädiktorvariablen mitteilen. Dazu gibt es drei Möglichkeiten: vordefinierte Variablen wie Trend oder saisonale Komponenten werden mit genr nochmals definiert, der Rahmen ist automatisch der erweiterte Rahmen. die Variablen können aus einem anderen Modell vorhergesagt werden die Prädiktoren werden durch Eintippen im spreadsheet-view erweitert: Betätigen Sie im group-window der Prädiktoren den button Edit+/-, es erscheint ein Eingabefenster in der Kopf-Zeile. Markieren Sie mit der Maus die Zellen der einzelnen Prädiktorvariablen, tippen Sie den gewünschten Werte in die Kopfzeile, und bestätigen Sie mit der Enter-Taste die Eingabe. 9
6 Wiederholen Sie diesen Vorgang, bis alle Werte eingegeben sind. Kehren Sie zum equation-window des geschätzten Regressionsmodells zurück. Mit dem button forecast wird nun die Vorhersage für die vorgegebenen Prädiktorvariablen erstellt. Mit anschliessendem OK erhält man ein Objekt des Typs series mit den gefitteten Werten. Der Name dieser series wird von EViews durch ein Anhängen des Buchstabens f an den Namen der Responsevariablen gewählt, kann aber in der Dialogbox verändert werden. Wenn Sie zum group-window der Prädiktoren zurückkehren, können Sie die vorhergesagten Werte als Spalte aufnehmen. Klicken Sie dazu den button View/Group Members. Sie erhalten eine Liste mit der Responsevariablen in der ersten und allen weiteren Variablen in den folgenden Zeilen. Sie können diese Liste editieren, indem Sie in der zweiten Zeile den Name der vorhersagten Reihe eintippen. Mit dem button UpdateGroup wird die Liste aktualisiert. Mit dem button View/Spreadsheet kehren Sie zum Spreadsheet-View zurück. In der Spalte, die der Vorhesage entspricht, ist für die vollständigen Beobachtungen der mit dem Modell gefittete Wert eingetragen, für alle Prädiktorvariablen ohne Responsevariable die Vorhersage. 2.5 Modelle mit heteroskedastischen Fehlern Das multiple Regressionsmodell y i = β 1 + β 2 x 2,i β K x K,i + ε i, mit heteroskedastischen Fehlern ε i N(0, σ 2 Z i ) kann in EViews folgendermaßen implementiert werden: Definieren Sie die Gewichte 1/ Z i mittels Genr, e.g. weight= 1/predictorJˆ.5. Markieren Sie im Directory des Workfiles zuerst die Responsevariable Y, dann die erklärenden Variablen X 2,..., X K. Doppelklick, und wählen Sie dann Open/as Equation. Es erscheint eine Box, die bei Equation Specification zuerst die Responsevariable, dann die erklärenden Variabeln und schließlich die Konstante (c) ins Modell aufnimmt. Editieren Sie das Modell, indem Sie alle Variable, einschließlich der Responsevariablen und der Konstanten mit weight multiplizieren. Die Konstante muss durch 1 ersetzt werden, bevor sie multipliziert wird. Mit OK wird die Schätzung durchgeführt. Um AIC and SC zu transformieren, brauchen wir den Mittelwert von log predictorj. Definieren Sie Genr ein Objekt vom Typ series, das die entsprechenden Werte enthält. Mit Doppelklick wird ein series-window eröffnet, aus dem über View/Descriptive Statistics/Stats Table der Mittelwert der logarithmierten Reihe abgelesen werden kann. 10
7 Ökonometrisches Modellieren mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 10. Dezember 2004, Redaktion: Frühwirth-Schnatter 3 Implementierung von Regressionsmodellen für diskrete Responsevariablen 3.1 Regressionsmodelle mit Zählvariablen als Response Das multiple Regressionsmodell E(y i x 2,i,..., x K,i ) = exp (β 1 + β 2 x 2,i β K x K,i ) wird in EViews folgendermaßen implementiert: Markieren Sie im Directory des Workfiles zuerst die Responsevariable Y, dann die erklärenden Variablen X 2,..., X K. Doppelklick, und wählen Sie dann Open/as Equation. Es erscheint eine Box, die bei Equation Specification zuerst die Responsevariable, dann die erklärenden Variabeln und schließlich die Konstante (c) ins Modell aufnimmt. Weiters sehen Sie den Beobachtungszeitraum (sample) und die gewählte Schätzmethode (Least Squares). Sie können vor der Schätzung den Beobachtungsrahmen in sample verändern. Steigen Sie bei methods von LS (least square estimation) auf COUNT - Integer Count Data um. Bei count estimation method ist die Poisson Verteilung (Poisson) voreingestellt. Man kann aber auf die negative Binomialverteilung (Negative Binomial) oder die Normalverteilung mit nichtlinearem Erwartungswert (Normal/NLS) umsteigen. Klicken von OK führt die Schätzung (ML/NLS) durch. Alle anderen Auswertungen (Testen von einzelnen oder mehreren Koeffizienten, Vorhersage, AIC und Schwrz Kriterion) wie beim klassischen Regressionsmodell. 3.2 Regressionsmodelle mit binären Responsevariablen Das multiple Regressionsmodell log Pr(y i = 1 x 2,i,..., x K,i ) 1 Pr(y i = 1 x 2,i,..., x K,i ) = β 1 + β 2 x 2,i β K x K,i wird in EViews folgendermaßen implementiert: 11
8 Markieren Sie im Directory des Workfiles zuerst die Responsevariable Y, dann die erklärenden Variablen X 2,..., X K. Doppelklick, und wählen Sie dann Open/as Equation. Es erscheint eine Box, die bei Equation Specification zuerst die Responsevariable, dann die erklärenden Variabeln und schließlich die Konstante (c) ins Modell aufnimmt. Weiters sehen Sie den Beobachtungszeitraum (sample) und die gewählte Schätzmethode (Least Squares). Sie können vor der Schätzung den Beobachtungsrahmen in sample verändern. Steigen Sie bei methods von LS (least square estimation) auf BINARY - Binary Choice um. Bei binary estimation method ist das logit model Logit voreingestellt. Man kann aber auf das Probit-Modell (probit) umsteigen. Klicken von OK führt die ML-Schätzung durch. Alle anderen Auswertungen (Testen von einzelnen oder mehreren Koeffizienten, Vorhersage, AIC und Schwrz Kriterion) wie beim klassischen Regressionsmodell. Das Bestimmtheitsmaß ist durch das McFadden-Bestimmtheitsmaß ersetzt. 12
Zeitreihenanalyse mit EViews Klassische Zeitreihenanalyse. 4.1 Empirisches Autokorrelogramm. 4.2 Exponentielle Glättungsverfahren
Zeitreihenanalyse mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 28. April 2005, Redaktion: Wagner 4 Klassische Zeitreihenanalyse
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
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 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 =
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
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:
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
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,
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
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
MehrLineare Modelle in R: Klassische lineare Regression
Lineare Modelle in R: Klassische lineare Regression Achim Zeileis 2009-02-20 1 Das Modell Das klassische lineare Regressionsmodell versucht den Zusammenhang zwischen einer abhängigen Variablen (oder Responsevariablen)
MehrUnter Workfile structure type geben Sie die Struktur des gewünschten Workfiles an:
Einführung in EViews Diese Einführung bezieht sich auf die Version EViews 5.0. 1. Erstellen eines Workfiles Klicken Sie auf File/New/Workfile. Folgendes Fenster öffnet sich: Unter Workfile structure type
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
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
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
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
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
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
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
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
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
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
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
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
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
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
Mehr13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017 1. Aufgabe: Für 25 der größten Flughäfen wurde die Anzahl der abgefertigten Passagiere in den Jahren 2009 und 2012 erfasst. Aus den Daten (Anzahl
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
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
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
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
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
MehrMultivariate Zeitreihenanalyse mit EViews 4.1
Multivariate Zeitreihenanalyse mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 30. Mai 2005, Redaktion: Frühwirth-Schnatter 1 Deskriptive
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
MehrLineare Regression in R, Teil 1
Lineare Regression in R, Teil 1 Christian Kleiber Abt. Quantitative Methoden, WWZ, Universität Basel October 6, 2009 1 Vorbereitungen Zur Illustration betrachten wir wieder den Datensatz CASchools aus
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
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
MehrMultiple Regression III
Multiple Regression III Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Überprüfung der Modellannahmen Residuen-Plot Normal-Q-Q-Plot Cook s Distanz-Plot Maßnahmen bei Abweichungen von Modellannahmen
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,
Mehrffl RENAME Λ Doppelklick auf Reihe1 Λ title Λ neuen Namen eingeben, z.b. Zins1 Λ r Reihe2 Zins2 ffl DELETE Λ Einfachklick aufzins1 Λ delete Λ d zins2
Dipl.-Ökonom Ralf Scherfling SS 2001, 1. Mai 2001 Praktikum zur empirischen Wirtschaftsforschung 1. Starten von Eviews ffl von Festplatte ffl durch Aufruf eines Workfiles ffl Workfile auf der Homepage
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
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
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
MehrLösungen zur Prüfung Angewandte Statistische Methoden in den Nutzierwissenschaften FS 2016
ETH Zürich D-USYS Institut für Agrarwissenschaften Lösungen zur Prüfung Angewandte Statistische Methoden in den Nutzierwissenschaften FS 2016 Peter von Rohr Datum 30. Mai 2016 Beginn 08:00 Uhr Ende 08:45
MehrÜbung zur Empirischen Wirtschaftsforschung. I. Einführung. 1 Einführung in die Software EViews
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Thomas Roscher Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
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
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
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
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
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
MehrOrdinale abhängige Variablen. Einführung Regressionsmodelle für ordinale Variablen Empirisches Beispiel Ausblick
Kap. 6: Ordinale abhängige Variablen Einführung Regressionsmodelle für ordinale Variablen Empirisches Beispiel Ausblick 6.1 Einführung Typische ökonomische Beispiele für ordinale abhängige Variablen: Bildungsniveau
MehrPoisson Regression. Verallgemeinerte Lineare Modelle (GLMs)
Poisson Regression Verallgemeinerte Lineare Modelle (GLMs) 28.11.2011 Poisson Regression Aus der Einführungsvorlesung Poisson-Verteilung ist in der Regel gut geeignet, um Anzahlen zu modellieren. Frage
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
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
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
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
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
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
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
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
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
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
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Prüfung Statistik I Winter 2016 Schriftliche Prüfung (90 Minuten) Bemerkungen: Erlaubte Hilfsmittel: 10 hand- oder maschinengeschriebene A4 Seiten (=5 Blätter). Taschenrechner ohne Kommunikationsmöglichkeit.
MehrPoisson Regression & Verallgemeinerte lineare Modelle
Poisson Regression & Verallgemeinerte lineare Modelle 20.11.2017 Motivation Ausgangslage Wir haben Anzahldaten (count data) Y i, cf. Vorlesung zu kategoriellen Variablen. Zu jeder Beobachtung Y i haben
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
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:
Mehr6. Heteroskedastizität (Verletzung der B2-Annahme)
6. Heteroskedastizität (Verletzung der B2-Annahme) Annahme B2: Die Störgröße u i hat für i = 1,..., N eine konstante Varianz, d.h. V ar(u i ) = σ 2 Bezeichnungen: Konstante u i -Varianzen: Homoskedastizität
MehrVerallgemeinerte lineare Modelle. Promotion. Promotion. Methoden empirischer Sozialforschung. 1 binäre und mehrere metrische und kategoriale Variablen
Verallgemeinerte lineare Modelle 1 binäre und mehrere metrische und kategoriale Variablen Methoden empirischer Sozialforschung Verallgemeinerte lineare Modelle () Wie läßt sich die Abhängigkeit der Erfolgswahrscheinlichkeit
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
MehrI. Einführung. Das Softwarepaket EViews ermöglicht dem Anwender die Arbeit mit Daten sowie deren Auswertung. Insbesondere erlaubt EViews:
Universität Ulm 89069 Ulm Germany B.Sc. Daniele Sabella Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2016 Übung
MehrEinführung in die Induktive Statistik: Regressionsanalyse
Einführung in die Induktive Statistik: Regressionsanalyse Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Regressionsanalyse Ziel: Analyse
MehrBachelorprüfung: Statistik (1 Stunde)
Prof. H.R. Künsch D-BIOL, D-CHAB Winter 2010 Bachelorprüfung: Statistik (1 Stunde) Bemerkungen: Es sind alle mitgebrachten schriftlichen Hilfsmittel und der Taschenrechner erlaubt. Natels sind auszuschalten!
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
MehrZusammenfassung: Einfache lineare Regression I
4 Multiple lineare Regression Multiples lineares Modell 41 Zusammenfassung: Einfache lineare Regression I Bisher: Annahme der Gültigkeit eines einfachen linearen Modells y i = β 0 + β 1 x i + u i, i {1,,
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
MehrÜbung zur Empirischen Wirtschaftsforschung. I. Einführung. 1 Einführung in die Software EViews
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Thomas Roscher Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
MehrZeitreihenanalyse. Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation
Zeitreihenanalyse Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation Beispiel für Zeitreihe Andere Anwendungen Inventarmanagment Produktionsplanung
MehrÜbung zur Empirischen Wirtschaftsforschung
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Dipl.-WiWi Thomas Roscher 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
MehrVI. Die Taylor Regel
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Klaus Gründler Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
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)
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:
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)
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
Breusch-Pagan-Test I Ein weiterer Test ist der Breusch-Pagan-Test. Im Gegensatz zum Goldfeld-Quandt-Test ist es nicht erforderlich, eine (einzelne) Quelle der Heteroskedastizität anzugeben bzw. zu vermuten.
Mehr