Inhaltsverzeichnis der Formelsammlung "Ökonometrie I"
|
|
- Ilse Pfeiffer
- vor 7 Jahren
- Abrufe
Transkript
1 Ihalsverzeichis der Formelsammlug "Öoomerie I" Ihalsverzeichis der Formelsammlug "Öoomerie I". Öoomerische Eigleichugsmodelle mi quaiaive Variable Öoomerie ud öoomerisches Modell Regressiosgleichug für die Grudgesamhei Regressiosgleichug bei Sichprobedae Kleis-Quadra-Mehode (OLS-Mehode) Kofideziervalle für die Regressiosoeffiziee Saisische Tess zur Überprüfug der OLS-Parameer Tes "Tradiioelle" Mehode Verwedug des p-weres F-Tes "Tradiioelle" Mehode Verwedug des p-weres....5 Mulipler ud parieller Deermiaiosoeffizie Mulipler Deermiaiosoeffizie (muliples Besimmheismaß) Parieller Deermiaiosoeffizie (parielles Besimmheismaß)....6 Progose Puprogose Iervallprogose Schäzeigeschafe Verlezug der Aahme Verlezug der Aahme E ( u) =
2 Ihalsverzeichis der Formelsammlug "Öoomerie I".8. Verlezug der Aahme E ( uu ) = σ I Heerosedasiziä Auswiruge vo Heerosedasiziä Diagose vo Heerosedasiziä mi dem Goldfeld-Quad-Tes "Tradiioelle" Mehode Verwedug des p-weres Korreur des Modells bei Vorliege vo Heerosedasiziä (WLS-Schäzug) Auoorrelaio Auswiruge vo Auoorrelaio Diagose vo Auoorrelaio mi dem Durbi-Wao-Tes (zweiseiig) Korreur des Modells bei Vorliege vo Auoorrelaio Cochra-Orcu-Verfahre Prais-Wiso-Mehode....9 Muliollieariä Auswiruge vo Muliollieariä Offee Muliollieariä Verdece Muliollieariä Diagose vo Muliollieariä Liearisierug Parielle Apassug... 4 u. Öoomerische Eigleichugsmodelle mi qualiaive ud omparaive Variable Saleiveau vo Variable Lieare Regressiosaalyse mi qualiaive ud omparaive uabhägige Variable Dichoome Mermale Polyome Mermale Dichoome Mermale als abhägige Variable Warum a ei solches Modell ich mi eier lieare Regressiosaalyse geschäz werde? Die logisische Regressio... 6
3 Ihalsverzeichis der Formelsammlug "Öoomerie I" Formulierug des Modells Besimmug der geschäze Regressiosoeffiziee Ierpreaio der geschäze Regressiosoeffiziee Sigifiazes für die geschäze Regressiosoeffiziee (Wald-Tes) "Tradiioelle" Mehode Verwedug des p-weres Überprüfug des Gesammodells Zuordugsübersich Pseudo-Besimmheismaß ach Guma Lielihood-Raio-Tes "Tradiioelle" Mehode Verwedug des p-weres...30
4 . Öoomerische Eigleichugsmodelle mi quaiaive Variable 4. Öoomerische Eigleichugsmodelle mi quaiaive Variable. Öoomerie ud öoomerisches Modell.. Regressiosgleichug für die Grudgesamhei Regressiosgleichug für die -e Periode: y =β +β x + +β x + +β x + u mi: y : -e Beobachug der abhägige (edogee, zu erlärede) Variable β : absolues Glied (Regressiosoeffizie) β : Regressiosoeffiziee x : -e Beobachug der -e uabhägige (exogee, erlärede) Variable u : -er Wer der Sörvariable (Fehlervariable, laee Variable).. Regressiosgleichug bei Sichprobedae Regressiosgleichug für die -e Periode: y =β ˆ +β ˆ x + +β ˆ x + +β ˆ x + u ˆ, =,,, mi: y : -e Beobachug der abhäige (edogee, zu erlärede) Variable ˆβ : geschäzes absolues Glied ˆβ : -er geschäzer Regressiosoeffizie x : -e Beobachug der -e uabhägige (exogee, erlärede) Variable û : geschäzer -er Wer der Sörvariable (Fehlervariable, laee Variable)
5 . Öoomerische Eigleichugsmodelle mi quaiaive Variable 5 Regressiosgleichuge für alle Periode: ohe Marixschreibweise: y = β ˆ + β ˆ x + β ˆ x + + β ˆ x + uˆ y = β ˆ + β ˆ x + β ˆ x + + β ˆ x + uˆ y = β ˆ + β ˆ x + β ˆ x + + β ˆ x + uˆ 3 3 i Marixschreibweise: y = X + uˆ ( x) ( x) ( x) ( x) mi: y x x uˆ ˆ β y ˆ ˆ x x u ˆ y, X β = =, uˆ =, β =. y ˆ x x u Regressiosgleichug zur Berechug der geschäze Were der abhägige Variable: Geschäze Were der abhägige Variable i der -e Periode: ŷ =β ˆ +β ˆ x + +β ˆ x + +β ˆ x, =,,, Veor der geschäze Were der abhägige Variable: yˆ = X. mi: ŷ x x ŷ ˆ x x ˆ yˆ, X β = =, β =. ŷ x x Berechug der geschäze Residue: Geschäze Were der abhägige Variable i der -e Periode: uˆ = y yˆ, =,,, Veor der geschäze Residue: uˆ = y yˆ
6 . Öoomerische Eigleichugsmodelle mi quaiaive Variable 6. Kleis-Quadra-Mehode (OLS-Mehode) Miimierugsrierium: S = uˆ uˆ = ˆ u Miimum = Aahme: E ( u) 0 = bzw. E( u ) = 0 für alle =,,.., E uu =σ I bzw. u u u σ =σ für alle =,,.., ud σ = E u u = 0 für alle s u,u s s Geschäze Regressiosoeffiziee bei eier Eifachregressio (ohe Marizerechug): Geschäzes absolue Glied: =y x Geschäzer Regressiosoeffizie: ( y y) ( x x ) = = = ( x x ) Veor der Regressiosoeffiziee: ˆβ = X X X y
7 . Öoomerische Eigleichugsmodelle mi quaiaive Variable 7.3 Kofideziervalle für die Regressiosoeffiziee. Feslegug des Kofideziveaus -. Berechug der Schäzfuio: Veor der geschäze Regressiosoeffiziee: ˆβ = X X X y Geschäze Variaz der Sörgröße: û ˆ ˆ = u u u, mi uˆ y ˆ y σ ˆ = = = bzw. uˆ = y yˆ (geschäze) Variaz-Kovariaz-Marix der geschäze Regressiosoeffiziee: u ( ) σˆ =σˆ X X ˆ σˆ ˆ σˆ ˆ ˆ σˆ ˆ ˆ σˆ ˆ ˆ β β, β β, β β, β σˆ ˆ ˆ σˆ ˆ σˆ ˆ ˆ σˆ β ˆ ˆ, β β β, β β, β = σˆ ˆ ˆ σˆ ˆ ˆ σˆ ˆ ˆ σˆ β ˆ, β β, β β, β β σ β ˆ σ ˆ ˆ ˆ σˆ ˆ ˆ σˆ ˆ σˆ β ˆ ˆ, β β, β β β, β Geschäze Sadardabweichug des -e geschäze Regressiosoeffiziee: σ ˆ = σ ˆ 3. Ablese der riische Were: = ; ; ; ; Esadardisierug: ˆ ˆ β ˆ ˆ ˆ σ ; β σ ; β ;
8 . Öoomerische Eigleichugsmodelle mi quaiaive Variable 8.4 Saisische Tess zur Überprüfug der OLS-Parameer.4. -Tes.4.. "Tradiioelle" Mehode. Feslegug des Sigiaziveaus H Formulierug der Nullhypohese: β = β = (falls β zweiseiig gege 0 0 geese wird). Aufsellug der Tesfuio ud Feslegug ihrer Vereilug: Geschäze Variaz der Sörgröße: û ˆ ˆ = u u u, mi uˆ y ˆ y σ ˆ = = = bzw. uˆ = y yˆ (geschäze) Variaz-Kovariaz-Marix der geschäze Regressiosoeffiziee: u ( ) σˆ =σˆ X X ˆ σˆ ˆ σˆ ˆ ˆ σˆ ˆ ˆ σˆ ˆ ˆ β β, β β, β β, β σˆ ˆ ˆ σˆ ˆ σˆ ˆ ˆ σˆ β ˆ ˆ, β β β, β β, β = σˆ ˆ ˆ σˆ ˆ ˆ σˆ ˆ ˆ σˆ β ˆ, β β, β β, β β σ β ˆ σ ˆ ˆ ˆ σˆ ˆ ˆ σˆ ˆ σˆ β ˆ ˆ, β β, β β β, β Geschäze Sadardabweichug des -e geschäze Regressiosoeffiziee: σ ˆ = σ ˆ Empirischer Wer: β = H σˆ β ˆ H ( β =0, falls β gege 0 geese wird)
9 . Öoomerische Eigleichugsmodelle mi quaiaive Variable 9 3. Ablese des riische Weres: Kriischer Wer: ; (beim zweiseiigem Tes) 4. Tesescheidug: > : Nullhypohese wird abgeleh ; : Nullhypohese a ich abgeleh werde ;.4.. Verwedug des p-weres. Feslegug des Sigiaziveaus H Formulierug der Nullhypohese: β =β = 0 (falls β zweiseiig gege 0. Berechug des irische Weres: (siehe "radiioelle" Mehode) geese wird) 3. Berechug des p-weres: ( ) ( ) p = P T = P T Tesescheidug:, mi -Freiheisgrade p <: Nullhypohese wird abgeleh p : Nullhypohese a ich abgeleh werde
10 . Öoomerische Eigleichugsmodelle mi quaiaive Variable 0.4. F-Tes.4.. "Tradiioelle" Mehode. Feslegug des Sigiaziveaus Formulierug der Nullhypohese: β =β 3 =... =β = 0. Berechug des irische Weres: F ( ŷ y) ( ) = y x,,x = = = ( y yˆ ) ( ) ( ) ˆr ( rˆ y x,,x ) ( ) Sreuugszerlegug: ( y y) = ( yˆ y) + ( y yˆ ) = = = gesame Sreuug erläre Sreuug Residualsreuug ANOVA-Tabelle: Quelle der Sreuug 3. Ablese des riische Weres: Abweichugsquadrasumme Freiheisgrade Milere Abweichugsquadrasumme Regressio (erlär) ( ŷ y) ( ) Residue (ich erlär) = = ŷ y ( y yˆ ) = uˆ ( ˆ ) = = Gesam ( y y) = = y y Kriischer Wer: F ; ; (F-Were lies ma immer eiseiig ab) 4. Tesescheidug: F > F : Nullhypohese wird abgeleh ; ; F F : Nullhypohese a ich abgeleh werde ; ;
11 . Öoomerische Eigleichugsmodelle mi quaiaive Variable.4.. Verwedug des p-weres. Feslegug des Sigiaziveaus Formulierug der Nullhypohese: β =β 3 =... =β = 0. Berechug des irische Weres: (siehe "radiioelle" Mehode) 3. Berechug des p-weres: p = P F F, mi -Zähler ud 4. Tesescheidug: p <: Nullhypohese wird abgeleh p : Nullhypohese a ich abgeleh werde Neerfreiheisgrade.5 Mulipler ud parieller Deermiaiosoeffizie.5. Mulipler Deermiaiosoeffizie (muliples Besimmheismaß) Sreuugszerlegug: ( y y) = ( yˆ y) + ( y ˆ y) = = = gesame Sreuug erläre Sreuug Residualsreuug Mulipler Deermiaiosoeffizie: mi: ( ŷ y) = ˆr y x,x 3,,x ( y y) = durch de Regressiosasaz erläre Sreuug der abhägige Variable = = gesame Sreuug der abhägige Variable ( y y) ( yˆ y) rˆy x,x 3,,x rˆ = = y;yˆ = ( y y) ( yˆ y) = = 0 r ˆy x,x 3,,x Mulipler Korrelaiosoeffizie: rˆ = rˆ y x,x 3,,x y x,x 3,,x
12 . Öoomerische Eigleichugsmodelle mi quaiaive Variable Korrigierer mulipler Deermiaiosoeffiziee ach Theil: mi: ( y yˆ ) ( y yˆ ) ˆr = = orr = = y x,x 3,,x ( y y) ( y y) = = ( ) orr ( rˆ ) ( ˆ y x,x,,x = ry x,x,,x ) 3 3 orr ( rˆ y x ),x 3,,x.5. Parieller Deermiaiosoeffizie (parielles Besimmheismaß) Parieller Deermiaiosoeffizie: ˆr y,x x,x 3,, x,,x durch X erläre Sreug vo Y = durch X,, X,,X ich erläre Sreug vo Y. ˆr y,x x,x 3,, x,,x mi: e e SQx SQ x = = r e SQ SQ SQ x,x 3,, x,,x x,x 3,, x,,x, SQ : ausschließlich vo X erläre Sreuug (Abweichugsquadrasumme) e x vo Y, e SQ x,x 3,,( x ) : durch X,,,x,X ohe X erläre Sreuug (Abweichugs- quadrasumme) vo Y r SQ x,x 3,,( x ) : durch X,,,x,X ohe X ich erläre Sreuug (Abwei- chugsquadrasumme) vo Y (Residualsreuug) SQ : gesame (oale) Sreuug (Abweichugsquadrasumme) vo Y. ˆr y,x x,x 3,, x,,x rˆ = rˆ y x,x 3,,x y x,x 3,, x,,x rˆ y x,x 3,, x,,x ˆr = y,x x,x 3,,( x ),,x ˆ β + ( ) σˆ
13 . Öoomerische Eigleichugsmodelle mi quaiaive Variable 3 Parieller Korrelaiosoeffizie: rˆ = rˆ y,x x,x 3,, x,,x y,x x,x 3,, x,,x.6 Progose.6. Puprogose ŷ =β ˆ +β ˆ x + +β ˆ x + +β ˆ x ŷ0 x 0 = mi x = [ x x x ] Iervallprogose. Feslegug des Kofideziveaus -. Berechug der Schäzfuio: Berechug eies geschäze Puprogosewers: ŷ =β ˆ +β ˆ x + +β ˆ x + +β ˆ x = mi x = [ x x x ] ŷ0 x Geschäze Variaz des Progosefehlers: σ ˆ = x σˆ X X x +σ ˆ. ŷ 0 y0 0 u 0 u. Geschäze Sadardabweichug des Progosefehlers: σ ˆ = σ ˆ yˆ0 y0 yˆ0 y0 3. Ablese der riische Were: = ; ; ; ; Teilweise erhäl der parielle Korrelaiosoeffizie das Vorzeiche des -e Regressiosoeffiziee zugewiese
14 . Öoomerische Eigleichugsmodelle mi quaiaive Variable Esadardisierug: yˆ σˆ ;yˆ σˆ 0 yˆ0 y0 0 yˆ0 y ; ; 0.7 Schäzeigeschafe Erwarugsreue: E( ) = β Effiziez: σ σ für =,,,, β mi β = Regressiosoeffizie des allgemeie lieare Schäzasazes bei Güligei der Aahme: E ( u) = 0 bzw. E( u ) = 0 für alle =,,.., E uu =σ I bzw. u u u σ =σ für alle =,,.., ud σ = E u u = 0 für alle s u,us s Kosisez: a) lim E = b) lim σ = 0
15 . Öoomerische Eigleichugsmodelle mi quaiaive Variable 5.8 Verlezug der Aahme.8. Verlezug der Aahme E ( u) = 0 Aahmeverlezug is schwierig zu überprüfe. = σ I.8. Verlezug der Aahme E ( uu ) u.8.. Heerosedasiziä.8... Auswiruge vo Heerosedasiziä σu σ u σu σ u 0 Ω = 0 0 σ u σ u Vergleich der Variaze des KQ-Schäzers ud des allgemeie lieare Schäzers: σ σ für =,,, < > β mi β = Regressiosoeffizie des allgemeie lieare Schäzasazes Geschäze Variaz-Kovariaz-Marix der Regressiosoeffiziee bei Vorliege vo Heerosedasiziä, we uzulässigerweise eie KQ-Schäzug agewede wird: ( ) ˆ ( ) σˆ = X X X σ Ω X X X u Geschäze Variaz des Progosefehlers bei Vorliege vo Heerosedasiziä, we uzulässigerweise eie KQ-Schäzug agewede wird: σ ˆ x X X X ˆ Ω X X X x ˆ = σ +σ. ŷ0 y0 0 u 0 u
16 . Öoomerische Eigleichugsmodelle mi quaiaive Variable Diagose vo Heerosedasiziä mi dem Goldfeld-Quad-Tes.8... "Tradiioelle" Mehode. Feslegug des Sigiaziveaus Formulierug der Nullhypohese: H : σ =σ =σ 0 u u u. Aufsellug der Tesfuio ud Feslegug ihrer Vereilug: Orde des Daesazes ach der -e uabhägige Variable: Aufeile der Dae: Die Dae werde i zwei gleich große Uersichprobe aufgeeil, wobei die milere zira 0 % der Beobachugswere ich verwede werde. Empirischer Wer: û uˆ uˆ = = = uˆ ˆ u û =, F falls uˆ uˆ = = bzw. û uˆ uˆ = = = uˆ ˆ u û =, F falls uˆ > uˆ = = 3. Ablese des riische Weres: Kriischer Wer: F ; ; (bei gleich große Uersichprobe) 4. Tesescheidug: F > F ; ; : Nullhypohese wird abgeleh F F : Nullhypohese a ich abgeleh werde ; ;
17 . Öoomerische Eigleichugsmodelle mi quaiaive Variable Verwedug des p-weres. Feslegug des Sigiaziveaus Formulierug der Nullhypohese: H : σ =σ =σ 0 u u u. Aufsellug der Tesfuio ud Feslegug ihrer Vereilug: (siehe "radiioelle" Mehode) 3. Berechug des p-weres: p = P F F 4. Tesescheidug: p <: Nullhypohese wird abgeleh p : Nullhypohese a ich abgeleh werde Korreur des Modells bei Vorliege vo Heerosedasiziä (WLS- Schäzug) Trasformiere Regressiosgleichug für die -e Periode: y x x x u x x x x x x = β + β + β + + β + y x x x = x u Trasformierer Veor y y = y x y = y x = y = y x y :
18 . Öoomerische Eigleichugsmodelle mi quaiaive Variable 8 Trasformiere Marix X X : x x x x = x = x = = x = x x x x x x x x = x = x = = x = x x x x = x x x x = x = x = = x = x x x x x x x x = x = x = = x = x x x x WLS-Schäzug (spezielle Form der verallgemeiere Quadrae-Schäzug (geeralizes leas squares) WLS ˆβ = ( X ) X ( X ) y Geschäze Regressiosgleichug bei Verwedug der WLS-Schäzug: y ˆ ˆ x ˆ x ˆ x uˆ x x x x x x WLS WLS WLS WLS = β + β + β + + β + y x x x = x uˆ Geschäze Variaz-Kovariazmarix der mi WLS ermiele Regressiosoeffiziee: σˆ ˆ WLS =σˆ u ( X β ) X mi ( û ) ( uˆ ) uˆ = σ ˆ u = =
19 . Öoomerische Eigleichugsmodelle mi quaiaive Variable Auoorrelaio.8... Auswiruge vo Auoorrelaio ρ ρ ρ ρ Ω = ρ ρ (ρ : Auoregressiosoeffizie) Vergleich der Variaze des KQ-Schäzers ud des allgemeie lieare Schäzers: σ σ für =,,, < > β mi β = Regressiosoeffizie des allgemeie lieare Schäzasazes Geschäze Variaz-Kovariaz-Marix der Regressiosoeffiziee bei Vorliege vo Auoorrelaio, we uzulässigerweise eie KQ-Schäzug agewede wird: ( ) ˆ ( ) σˆ = X X X σ Ω X X X u Geschäze Variaz des Progosefehlers bei Vorliege vo Auoorrelaio, we uzulässigerweise eie KQ-Schäzug agewede wird: σ ˆ x X X X ˆ Ω X X X x ˆ = σ +σ. ŷ0 y0 0 u 0 u.8... Diagose vo Auoorrelaio mi dem Durbi-Wao-Tes (zweiseiig). Feslegug des Sigiaziveaus Formulierug der Nullhypohese: H 0 : φ = 0 od. ( H : r = 0 0 u,u r u,u. Aufsellug der Tesfuio ud Feslegug ihrer Vereilug: : Auoorrelaioeoffizie) Empirischer Wer: d = = ( uˆ uˆ ) = û
20 . Öoomerische Eigleichugsmodelle mi quaiaive Variable 0 Approximaive Berechug vo d : d r ˆu. ˆ,u ˆ 3. Ablese des riische Weres: Kriischer Were der Exremvereiluge: L d ;; ud U d ;; U 4 d ud ;; L 4 d ;; 4. Tesescheidug: L d < d oder ;; L d 4 d ;; > : Nullhypohese wird abgeleh L U U L d d d oder 4 d d 4 d : ;; ;; ;; ;; Keie Tesescheidug a geroffe werde U U d < d < 4 d : ;; ;; Nullhypohese a ich abgeleh werde Uschärfebereiche Ablehbereich (posiive Auoorrelaio) Aahmebereich (eie Auoorrelaio) Ablehbereich (egaive Auoorrelaio) 0 4 d L U 4 d ;; ;; L U d ;d d U ;; L 4 d ;;
21 . Öoomerische Eigleichugsmodelle mi quaiaive Variable Korreur des Modells bei Vorliege vo Auoorrelaio Das Cochra-Orcu-Verfahre ud das Prais-Wiso-Verfahre basiere auf eier GLS- Schäzug ("geeralizes leas squares") Cochra-Orcu-Verfahre Schri Schri Schri 3 Schri 4 OLS-Schäzug des Regressiosmodells mi de origiäre Variable: Berechug des geschäze Auoregressiosoeffiziee: φ= ˆ ˆβ = X X X y uˆ uˆ Besimmug der OLS-Residue (Modell, das im. Schri geschäz wurde): uˆ = y yˆ = û = Trasformierug der Variable (. Beobachugswer geh verlore): y = y φ ˆ y ; x = φ ˆ; x = x φ ˆ x für =, 3,,, Berechug der GLS-Schäzug mi der Cochra-Orcu-Mehode: Schri 5 CO ˆβ = ( X ) X ( X ) y ( ) ( ) ( ) Trasformierer Veor y 3 φ ˆ y + y φ ˆ y + y = φ ˆ y + y y :
22 . Öoomerische Eigleichugsmodelle mi quaiaive Variable Trasformiere Marix X ( ) X : φˆ φ ˆ x + x φ ˆ x3 + x3 φ ˆ x + x φˆ φ ˆ x + x ˆ ˆ 3 φ x3 + x33 φ x + x3 ˆ ˆ x ˆ ˆ = φ φ 3 + x4 φ x33 + x34 φ x3 + x4 φˆ φ ˆ x ˆ ˆ, + x φ x3, + x3 φ x, + x Geschäzer Auoregressiosoeffizie: φ= ˆ uˆ uˆ = û = Verallgemeiere Quadra-Schäzug (geeralizes leas squares) ˆβ = ( X ) X ( X ) y ( ) CO ( ) ( ) Prais-Wiso-Mehode Trasformierer Veor y y = φˆ y y = φ ˆ y+ y = y ˆ = φ y + y3 y ˆ = φ y + y y : Trasformiere Marix X = X : φˆ φˆ x φˆ x3 φˆ x φˆ φ ˆ x ˆ ˆ + x φ x3 + x3 φ x + x φˆ φ ˆ x + x φ ˆ x + x φ ˆ x + x φˆ φ ˆ x ˆ ˆ, + x φ x3, + x3 φ x, + x φˆ φ ˆ x ˆ ˆ 3 + x4 φ x33 + x34 φ x3 + x4
23 . Öoomerische Eigleichugsmodelle mi quaiaive Variable 3 Geschäzer Auoregressiosoeffizie: φ= ˆ uˆ uˆ = û = Verallgemeiere Quadra-Schäzug (geeralizes leas squares) PW ˆβ = ( X ) X ( X ) y.9 Muliollieariä.9. Auswiruge vo Muliollieariä.9.. Offee Muliollieariä ( X) ( XX ) rg = rg <.9.. Verdece Muliollieariä ( X) ( XX ) rg = rg =.9. Diagose vo Muliollieariä Tolerazoeffiziee: ol = r ˆ x x,x 3,, x,,x
24 . Öoomerische Eigleichugsmodelle mi quaiaive Variable 4.0 Liearisierug Trasformaio vo x Trasfor Maio vo y liear y logarihmisch ivers y l y liear x logarihmisch l x ivers x Doppelliear y =β +β x + u logarihmisch-liear l y =β +β x + u ivers-liear =β +β x + u y liear-logarihmisch y = β+β lx + u Doppellogarihmisch l y = β+β l x + u ivers-logarihmisch l x u y = β+β + liear-ivers y =β +β + u x logarihmisch-ivers l y =β +β + u x doppelivers =β +β + u y x. Parielle Apassug Lagfrisiger Gleichgewichswer: y = ˆ +ˆ x + uˆ G Geschäze Regressiosgleichug: y =δ ˆ +δ ˆ x + δ y uˆ +δ mi: y =β ˆ =β ˆ ˆ =β3 y x y y x y = = y x y 3 3, X 3 ( ) dere Koeffiziee mi der OLS-Mehode besimm werde: β ˆ = X X X y
25 . Öoomerische Eigleichugsmodelle mi qualiaive ud omparaive Variable 5. Öoomerische Eigleichugsmodelle mi qualiaive ud omparaive Variable. Saleiveau vo Variable Nomialsala (qualiaives Mermal) Ordialsala (omparaives Mermal) Merische Sala (quaiaives Mermal) Nei Nei Mermalsauspräguge lasse sich i eie Reihefolge brige? Ja Absad zwische zwei aufeiader folgede Mermalsauspräguge is gleich? Ja. Lieare Regressiosaalyse mi qualiaive ud omparaive uabhägige Variable.. Dichoome Mermale J-e uabhägige Variable is dichoom ud wird als Biärvariable odier: x, falls Kaegorie vorhade is = 0, falls Kaegorie ich vorhade is.. Polyome Mermale J-e Variable als Dummy-Variable odier: x, falls Kaegorie vorhade is = 0, falls Kaegorie ich vorhade is
26 . Öoomerische Eigleichugsmodelle mi qualiaive ud omparaive Variable 6.3 Dichoome Mermale als abhägige Variable.3. Warum a ei solches Modell ich mi eier lieare Regressiosaalyse geschäz werde?.3. Die logisische Regressio.3.. Formulierug des Modells Biärodierug der abhägige Variable: y, we das Ereigis eigeree is = 0, we das Ereigis ich eigeree is Logisisches Regressiosmodell: p β ˆ +β ˆ x+ + ˆ ˆ x+ +β x x β = e e yˆ = + e = + e β ˆ +β ˆ x+ + ˆ ˆ x+ +β x x β mi: [ x x x ] x = Besimmug der geschäze Regressiosoeffiziee Lielihoodfuio: = y y L=Πp p Loglielihoodfuio: L = y lp + y l p =
27 . Öoomerische Eigleichugsmodelle mi qualiaive ud omparaive Variable Ierpreaio der geschäze Regressiosoeffiziee Margiale Eiriswahrscheilichei: β ˆ +β ˆ x+ + ˆ ˆ x+ +β x x β p e ˆ e x e = β = + β ˆ +β ˆ x+ + x ˆ ˆ + +β x x β ( + e ) Effeoeffiziee: ˆ e β ( für =,3,, ) Odds: ( = ) P y p odds = = P y = p.3..4 Sigifiazes für die geschäze Regressiosoeffiziee (Wald- Tes) "Tradiioelle" Mehode. Feslegug des Sigiaziveaus Formulierug der Nullhypohese: H 0 : β = 0. Aufsellug der Tesfuio ud Feslegug ihrer Vereilug: Berechug der Variaz-Kovariaz-Marix: H = p p x x H = H = σˆ = H Empirischer Wer: β ˆ 0 χ = σ ˆ β ˆ
28 . Öoomerische Eigleichugsmodelle mi qualiaive ud omparaive Variable 8 3. Ablese des riische Weres: Kriischer Wer: 4. Tesescheidug: χ ; ; χ >χ : Nullhypohese wird abgeleh ; χ χ : Nullhypohese a ich abgeleh werde Verwedug des p-weres. Feslegug des Sigiaziveaus Formulierug der Nullhypohese: H 0 : β = 0. Aufsellug der Tesfuio ud Feslegug ihrer Vereilug: (siehe "radiioelle" Mehode) 3. Berechug des p-weres: p = P χ χ, mi eiem Freiheisgrad. 4. Tesescheidug: p <: Nullhypohese wird abgeleh p : Nullhypohese a ich abgeleh werde.3..5 Überprüfug des Gesammodells Zuordugsübersich ˆ P y = = p = y 0,5 y = Vorhergesage Gruppezugehörigei Beobachee Gruppegehörigei y 0 Richig Falsch y 0 Falsch Richig
29 . Öoomerische Eigleichugsmodelle mi qualiaive ud omparaive Variable 9 Zufällige Gruppeeieilug: p wobei: p 0 p =, falls 0, =, falls > Pseudo-Besimmheismaß ach Guma Loglielihood-Fuio ohe uabhägige Variable: L = l + l 0 Loglielihood-Fuio mi uabhägige Variable: L = y lp + y l p = Deviaz: D= L L = L L 0 0 Pseudo-Besimmheismaß ach Guma: PR ( L) L = L Lielihood-Raio-Tes "Tradiioelle" Mehode. Feslegug des Sigiaziveaus Formulierug der Nullhypohese: H 0 : β =β 3 =... =β = 0 o.. Aufsellug der Tesfuio ud Feslegug ihrer Vereilug: H 0 : PR = 0 bezeiche die Azahl der Beobachugseiheie, bei dee y = is.
30 . Öoomerische Eigleichugsmodelle mi qualiaive ud omparaive Variable 30 Empirischer Wer: L0 L L0 L χ = = 3. Ablese des riische Weres: Kriischer Wer: χ ; 4. Tesescheidug: χ >χ : Nullhypohese wird abgeleh ; χ χ : Nullhypohese a ich abgeleh werde ; Verwedug des p-weres. Feslegug des Sigiaziveaus Formulierug der Nullhypohese: H 0 : β =β 3 =... =β = 0 o.. Aufsellug der Tesfuio ud Feslegug ihrer Vereilug: (siehe "radiioelle" Mehode) 3. Berechug des p-weres: p = P χ χ, mi Freiheisgrade 4. Tesescheidug: p <: Nullhypohese wird abgeleh p : Nullhypohese a ich abgeleh werde H 0 : PR = 0
Die zweite Implikation der Annahme einer skalaren Kovarianzmatrix, (2.7) 2 nxn
6. Auokorrelaio 6. Form ud Auswirkug Die zweie Implikaio der Aahme eier skalare Kovariazmarix, (.7) Cov( u) E( uu') I x is, dass sich Sörerme uerschiedlicher Beobachuge ich beeiflusse, also ukorrelier
MehrAufgaben zur Ökonometrie I
Aufgabe zur Ökoomerie I 5. Heeroskedasiziä 5. Was verseh ma uer Heeroskedasiziä ud wodurch ka dieser Modelldefek verursach werde? Die Aahme A. lauee, dass die Sörgröße i jeder Periode die gleiche Variaz
Mehr2.3 Schätzeigenschaften der OLS-Methode
.3 Schäzeigechafe der OLS-Mehode Jede Schäzmehode wei beimme Güeeigechafe auf, die vo der Erfüllug beimmer Vorauezuge abhäge. Wa die gewöhliche Mehode der kleie Quadrae (OLS-Mehode) beriff, id beimme Schäzeigechafe
Mehrrichtige Entscheidung mit Wahrscheinlichkeit 1 α Fehlentscheidung 1. Art mit Wahrscheinlichkeit α
II Lösug zu Aufgabe 7: -Tes für Erwarugswer Saisische Tess diee dazu Hypohese abzusicher oder begrüde zu verwerfe. Hypohese esehe aus eperimeelle Beobachuge oder formale Überleguge, die eier Prüfug uerzoge
MehrVergleich der Schätzungen und Hypothesenprüfungen. μ=? Typische Aufgaben der Hypothesenprüfung. Typische Fragen - gebrauchte Merkmale
Hypoheseprüfuge Dr László Smeller Vergleich der Schäzuge ud Hypoheseprüfuge Schäzuge: Frage: Wie groß (is eie physikalische Größe) Bluzuckerkozeraio... Awor: Pukschäzug: z.b.: Körperhöhe, Bludruck, μ?
MehrÖkonometrie Formeln und Tabellen
Ökoometrie Formel ud Tabelle Formelsammlug 1 Lieares Modell ud KQ-Schätzug 11 Eifachregressio Lieares Modell: Y i = β 0 + β 1 x i + U i, i = 1,2,, Aahme des lieare Modells: A1: E[U i ] = 0 für alle i =
Mehrs xy x i x y i y s xy = 1 n i=1 y 2 i=1 x 2 s 1 n x n i Streudiagramme empirische Kovarianz x=5,5 y=7,5
Streudiagramme für metrisch skalierte Variable paarweise Messwerte (x,y) x 5 7 y 7 5 7 5 5 7 Aussage zu Zusammehäge. empirische Kovariaz Stadardabweichug der WertPAARE x i x y Wert x Mittelwert aller x
MehrEmpirische Ökonomie 1 Sommersemester Formelsammlung. Statistische Grundlagen. Erwartungswert und Varianz einer Zufallsvariable.
Empirische Ökoomie 1 Sommersemester 2013 Formelsammlug Hiweis: Alle Variable, Parameter ud Symbole sid wie i de Vorlesugsuterlage defiiert. Statistische Grudlage Erwartugswert Erwartugswert ud Variaz eier
MehrStatistik im Bachelor-Studium der BWL und VWL
Max C. Wewel Saisik im Bachelor-Sudium der BWL ud VWL Mehode, Awedug, Ierpreaio Mi herausehmbarer Formelsammlug ei Impri vo Pearso Educaio Müche Boso Sa Fracisco Harlow, Eglad Do Mills, Oario Sydey Mexico
Mehr10. Grundlagen der linearen Regressionsanalyse 10.1 Formulierung linearer Regressionsmodelle
10. Grudlage der lieare Regressiosaalyse 10.1 Formulierug liearer Regressiosmodelle Eifaches lieares Regressiosmodell: Das eifache lieare Regressiosmodell ist die simpelste Form eies ökoometrische Modells
MehrGrundgesamtheit handelt, stellt sich die Frage nach der Unsicherheit dieser Schatzung.
R Lösug zu Aufgabe 4: Kofideziervall a) Abschäzug vo Erwarugswer ud adardabweichug: Wie bereis i Übugsaufgabe eigeführ, selle der Mielwer ud die reuug eier ichprobe die bese chäzwere für de Erwarugswer
Mehr17. Kapitel: Die Investitionsplanung
ABWL 17. Kapiel: Die Ivesiiosplaug 1 17. Kapiel: Die Ivesiiosplaug Leifrage des Kapiels: Welche Type vo Ivesiiosobjeke gib es? Wie läss sich die Voreilhafigkei eies Ivesiiosobjeks fesselle? Wie ka aus
MehrStatistik Formelsammlung (gekürzt für 5 Abende Veranstaltung)
Saisik Formelsammlug (gekür für 5 Abede Verasalug) Formel um Kurs "Saisik" a der VWA Esse vo Prof. Dr. Peer vo der Lippe Ihalsvereichis: (gesrichee Abschie sid grau markier). Häufigkeisvereiluge S.. Mielwere
MehrPrognoseverfahren. 3.4 Aufgaben... 121 ÜBERBLICK
Progoseverfahre. Eiführug....................................... 8.. Wisseschafliche Progose.................... 8.. Daebasis ud saisische Progosemodelle......... Beispiel: Umsazprogose........................
MehrStatistik im Bachelor-Studium der BWL und VWL
Max C. Wewel Saisik im Bachelor-Sudium der BWL ud VWL Mehode, Awedug, Ierpreaio., erweiere Auflage Mi herausehmbarer Formelsammlug ei Impri vo Pearso Educaio Müche Boso Sa Fracisco Harlow, Eglad Do Mills,
MehrFormelsammlung. PD Dr. C. Heumann
Formelsammlug zur Vorlesug Statisti I PD Dr. C. Heuma Formelsammlug Statisti I Desriptive Statisti Häufigeitsverteiluge Darstellugsforme vo Date Rohdate: x 1, x 2,..., x x i Azahl der Beobachtuge Mermalsausprägug
MehrFormelsammlung. Deskriptive Statistik und Elementare Wahrscheinlichkeitsrechnung. Prof. Dr. Ralf Runde Statistik und Ökonometrie, Universität Siegen
Formelsammlug Deskriptive Statistik ud Elemetare Wahrscheilichkeitsrechug Prof. Dr. Ralf Rude Statistik ud Ökoometrie, Uiversität Siege Prof. Dr. Ralf Rude - Uiversität Siege I Statistische Grudbegriffe
MehrHerleitung der Parameter-Gleichungen für die einfache lineare Regression
Herleitug der Parameter-Gleichuge für die eifache lieare Regressio Uwe Ziegehage. März 03 Historie v.0 6.03.009, erste Versio hochgelade v.0 0.03.03, eie Vorzeichefehler beseitigt, diverse Gleichuge ud
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
MehrStatistik im Bachelor-Studium der BWL und VWL Methoden, Anwendungen, Interpretation
Saisik im Bachelor-Sudium der BWL ud VWL Mehode, Aweduge, Ierpreaio 3, akualisiere Auflage Max C Wewel 3 Progoseverfahre 3 Regressiosaalyse 3 Problemsellug Die Regressiosaalyse sell eie Weierewicklug der
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
MehrStatistik I Februar 2005
Statistik I Februar 2005 Aufgabe 0 Pukte Ei Merkmal X mit de mögliche Auspräguge 0 ud, das im Folgede wie ei kardialskaliertes Merkmal behadelt werde ka, wird a Merkmalsträger beobachtet. Dabei bezeichet
MehrAufgaben zur Ökonometrie I
Aufgaben zur Ökonomerie I 4. Mulikollineariä 4. Worin beseh das Problem der Mulikollineariä? A. Perfeke Mulikollineariä Perfeke Mulikollineariä lieg dann vor, wenn zwei oder mehrere unabhängige Variable
MehrInvestitionsund Finanzierungsplanung mittels Kapitalwertmethode, Interner Zinsfuß
Ivesiiosud Fiazierugsplaug miels Kapialwermehode, Ierer Zisfuß Bearbeie vo Fraka Frid, Chrisi Klegel WI. Aufgabe: Eie geplae Ivesiio mi Aschaffugsausgabe vo.,- läss jeweils zum Jahresede die folgede Eiahme
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Baseler Zwischenklausur im WS 02/03
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina T. Riphahn, Ph.D. Muserlösung zur Baseler Zwischenklausur im S 0/0 Aufgabe 1: [1] Mi den Daen von 177 Miewohnungen einer Schweizer Sad wurde
MehrHypothesenprüfungen II.
Grudlage der Bioaiik ud Iformaik Hypoheeprüfuge II. Zwei Sichprobe -Te, F-Te, Bediguge der Awedug der -Tee Variazaalye Lázló Smeller Widerholug: Grudprizip der Hypoheeprüfuge Zu echeidede Frage Idireker
MehrWissenschaftliches Arbeiten Studiengang Energiewirtschaft
Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:
MehrRepräsentativität und Unabhängigkeit
Repräsetativität ud Uabhägigkeit Ziel: Bestmögliche Erassug der Eigeschate der Grudgesamtheit Problem: Beurteilug der Repräsetativität ist ur durch umassede Iormatio über die Grudgesamtheit möglich Asatz:
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
Mehr6. Übung - Differenzengleichungen
6. Übug - Differezegleichuge Beispiel 00 Gesucht sid alle Lösuge vo a) x + 3x + = 0 ud b) x + x + 7 = 0, jeweils für 0. Um diese lieare Differezegleichug erster Ordug zu löse, verwede wir die im Buch auf
Mehr2. Ökonometrische Eingleichungsmodelle
. Ökoomerische Eigleichgsmodelle. Das mliple Regressiosmodell.. Modellspezifikaio I der ökoomische Theorie werde Verhalesgleichge ewickel, i dee eie ökoomische Variable wie z.b. der Kosm oder die Ivesiioe
MehrInvestitionsrechnungen in der Wohnungswirtschaft
Wohugswirschafliche Theorie I Vorlesug vom 28. 1. 24 Folie Ivesiiosrechuge i der Wohugswirschaf Dr. Joachim Kircher Isiu Wohe ud Umwel GmbH (IWU) Theoreische Grudlage Eiführug 1. Ivesoregruppe 2. Besoderheie
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
MehrFormelsammlung für Investition und Finanzierung
Formelsammlug für Ivesiio ud Fiazierug (Sad: 3.2.22) Seie vo 8 Formelsammlug für Ivesiio ud Fiazierug INHALSVERZEICHNIS. Mahemaische Grudlage...3 a) Auflösug quadraischer Gleichuge mi der pq-formel...3
MehrKapitel 5: Schließende Statistik
Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte
MehrLineare Transformationen
STAT 4 FK Herleituge Lieare Trasformatioe Sei eie lieare Trasformatio vo, so gilt Allgemei: a b, () Lieare Trasformatio des arithmetische Mittels y a+b x i () Da a eie additiv verküpfte Kostate ist, ka
MehrStatistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik
Statistik Kapitel 5: Schließede Statistik 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel 1» Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte der arithmetische
MehrKapitel XI - Korrelationsrechnung
Istitut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökoometrie ud Statistik Kapitel XI - Korrelatiosrechug Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Seska Carlo Siebeschuh Aufgabe der Korrelatiosrechug
MehrDiesen Grenzwert nennt man partielle Ableitung von f nach x i und
Bevor wir zum ächste Kapitel übergehe, werde wir de Begri eier Fuktio i mehrere Variable eiführe. Eie Fuktio vo Variable ist eie Vorschrift, die jedem Pukt (x 1,x,...,x ) eier Teilmege D des IR eie bestimmte
Mehr3.2) Die Spar-Armutsfalle 3.2.1) Das Grundmodell
3.2 Die Spar-Armusfalle 3.2.1 Das Grudmodell We EL eifach eie iedrigere Sparquoe wähle ud deshalb ärmer bleibe, lieg ei Ewiclugsladproblem vor. => Aber spare EL freiwillig weiger? Arme Mesche öe ers spare,
MehrAnalyse von Zeitreihen
Aalse vo Zeireihe Besiug er Saisokooee bei sseaisch saisoale Verläufe Eizelveräerug vo Zeiabschi zu Zeiabschi Durchschiliche Veräerug über ie Zeiabschie eier Zeireihe Bibliografie Prof. Dr. Kück; Saisik,
MehrGanzrationale Funktionen
Gazratioale Fuktioe 9. Defiitio gazratioaler Fuktioe Im Folgede werde ebe lieare ud quadratische Fuktioe auch solche betrachtet, bei dee die Variable i der dritte, vierte oder auch i eier och höhere Potez
Mehr4. Reihen Definitionen
4. Reihe 4.1. Defiitioe Addiere wir die Glieder eier reelle Zahlefolge (a k ), so heißt diese Summe S (uedliche) (Zahle-) Reihe S (Folge: Fuktio über N; Reihe: 1 Zahl): S := a 1 + a 2 + a 3 +... := Σ a
MehrMethode der kleinsten Quadrate
Methode der kleiste Quadrate KAPITEL 5: REGRESSIONSRECHNUNG Die Methode der kleiste Quadrate (MklQ) ist ei Verfahre zur Apassug eier Fuktio a eie Puktwolke. Agewadt wird sie beispielsweise, um eie Gesetzmäßigkeit
Mehr4 Messfehler. 4.1 Fehlerquellen und Fehlerarten
Versuchsechik Es is eie Erfahrugsasache, dass eder Messwer aufgrud vo Uvollkommeheie i der Messechik ud i de Messverfahre mehr oder weiger vo dem zureffede, wirkliche Wer der zugehörige Messgröße abweich.
MehrFakultät für Wirtschafts- und Rechtswissenschaften
F A C H H O C H S C H U L E K Ö L N Fakultät für Wirtschafts- ud Rechtswisseschafte F O R M E L S A M M L U N G Deskriptive Statistik Iduktive Statistik Herausgeber: c 2004 Fachgruppe Quatitative Methode
MehrKapitel 2. Terme. oder (x + 1)(x 1) = x 2 1
Kapitel 2 Terme Josef Leydold Auffrischugskurs Mathematik WS 207/8 2 Terme / 74 Terme Ei mathematischer Ausdruck wie B R q q (q ) oder (x + )(x ) x 2 heißt eie Gleichug. Die Ausdrücke auf beide Seite des
Mehr7. Modelle mit qualitativen Variablen
7. Modelle mi qualiaiven Variablen 7. Modelle mi qualiaiven Regressoren Qualiaive Regressoren in ökonomerischen Modellen: - unerschiedliche Präferenzen zwischen verschiedenen Gruppen von Wirschafssubjeken,
MehrAnalyse von Zeitreihen
Aalyse vo Zeireihe Begriffe der Zeireihe Kompoee eier Zeireihe - Tred - Periodische Schwakuge - Resschwakuge Besimmug der Tredkompoee - Mehode der kleise Quadrae (MKQ) - Mehode der gleiede Durchschie Expoeielle
MehrZweifaktorielle Varianzanalyse. Zweifaktorielle Varianzanalyse. Zweifaktorielle Varianzanalyse. Zweifaktorielle Varianzanalyse
Ziel Überprüfug der Gleichheit der Erwartugswerte eies Merals i Utergruppe, die vo zwei Fatore erzeugt werde Fator A i a Stufe Fator B i b Stufe Ist jede Stufe vo Fator A it jeder vo Fator B obiiert, spricht
Mehr3. Signifikanztests und Konfidenzintervalle 3.1 Signifikanztests über einzelne Regressionskoeffizienten
3. Signifikanzess und Konfidenzinervalle 3.1 Signifikanzess über einzelne Regressionskoeffizienen Wenn das muliple Regressionsmodell mi der ökonomischen Theorie im Einklang seh, is zu erwaren, dass die
Mehr1.1 Berechnung des Endwerts einer Einmalanlage bei linearer ganzjähriger Verzinsung nach n Verzinsungsjahren
Forelsalug zur Fiazatheatik 1. Eifache Zisrechug (lieare Verzisug) 1.1 Berechug des Edwerts eier Eialalage bei liearer gazjähriger Verzisug ach Verzisugsjahre p = 1 + = ( 1+ i ) 1 1.2 Berechug des Gegewartswerts
MehrEmpirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
Mehr26 Eigenschaften der Eigenwerte, Eigenvektoren und Eigenräume
Lieare Algebra II SS 211 - Prof Dr Mafred Leiz Kapiel VIII: Das Eigewerproblem 26: Eigeschafe der Eigewere, K 26 Eigeschafe der Eigewere, Eigeveore ud Eigeräume A Eigeschafe der Eigewere B Eigeschafe der
MehrWas benötigen wir dafür?
Wahrcheilicheirechug Die Laufzei vo radomiiere zufallgeeuere lgorihme häg vo gewie zufällige reigie ab eiiel Quicor. Um die Laufzeie dieer lgorihme ueruche zu öe, udiere wir im Folgede zufällige reigie
MehrÜbungsaufgaben mit Lösungen zur Analysis und linearen Algebra
Übugsaufgabe mit Lösuge zur ud lieare Algebra Fuktioe mit eier uabhägige Variable, Folge ud Reihe ) Bilde Sie die. Ableitug der folgede Fuktioe: a) f (x) = (x 7 + 5x + 4) 0 = f (x) = 0(x 7 + 5x + 4) 9
MehrSchätzungen und Hypothesenprüfungen Schätzungen Hypothesenprüfungen Typische Entscheidungsfragen in der Medizin Die Alternativhypothese
Hypoheeprüfuge. Zweiichprobe -Te, F-Te, Variazaalye Schäzuge ud Hypoheeprüfuge Schäzuge Wie gro i eie Gröe? Pukchäzuge ei Wer i gegebe ud ich über die Sicherhei Parameer der Sichprobe Parameer der Populaio
MehrVl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
Mehr2. OLS-Schätzung linearer Regressionsmodelle
2. OLS-Schätzug liearer Regressiosmodelle 2.1 Formulierug liearer Regressiosmodelle Eifaches lieares Regressiosmodell: Das eifache lieare Regressiosmodell ist die simpelste Form eies ökoometrische Modells
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
MehrKapitel 9: Schätzungen
- 73 (Kapitel 9: chätzuge) Kapitel 9: chätzuge Betrachte wir folgedes 9. Beispiel : I eiem Krakehaus wurde Date über Zwilligsgeburte gesammelt. Bei vo 48 Paare hatte die beide Zwillige verschiedees Geschlecht.
MehrÜbungen Abgabetermin: Freitag, , 10 Uhr THEMEN: Testtheorie
Uiversität Müster Istitut für Mathematische Statistik Stochastik WS 203/204, Blatt Löwe/Heusel Aufgabe (4 Pukte) Übuge Abgabetermi: Freitag, 24.0.204, 0 Uhr THEMEN: Testtheorie Die Sollstärke der Rohrwäde
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
Mehr1 Elementare Zahlentheorie. 0. Grundbegriffe
Elemeare Zahleheorie 0 Grudbegriffe Mi Z bezeiche wir de Rig der gaze Zahle Is x eie reelle Zahl, so sei x die größe gaze Zahl, die kleier oder gleich x is Beache: x is diejeige gaze Zahl z mi z x < z
Mehr2 Induktive Statistik
Kapitel 2 Iduktive Statistik Seite 19 2 Iduktive Statistik 2.1 Grudprizipie der iduktive Statistik 2.2 Puktschätzug 2.2.1 Schätzfuktioe Defiitio 2.1 Sei X 1,...,X i.i.d. Stichprobe. Eie Fuktio heißt Schätzer
MehrMathematik III. Vorlesung 81. Eigenschaften des Dachprodukts. Die folgende Aussage beschreibt die universelle Eigenschaft des Dachproduktes.
Prof. Dr. H. Breer Osabrück S 2010/2011 Mathematik III Vorlesug 81 Eigeschafte des Dachprodukts Die folgede Aussage beschreibt die uiverselle Eigeschaft des Dachproduktes. Satz 81.1. Es sei K ei Körper,
Mehr9. ENDLICH ERZEUGTE MODULN UND GANZHEIT
Algebra 2 Daiel Plauma Techische Uiversität Dortmud Sommersemester 2017 9. ENDLICH ERZEUGTE MODULN UND GANZHEIT Arbeitsblatt: Der Satz vo Cayley-Hamilto ud Aweduge Lese Sie de Text sorgfältig ud löse Sie
Mehr14 Regression, lineare Korrelation und Hypothesen-Testverfahren
14 Regressio, lieare Korrelatio ud Hypothese-Testverfahre 141 Regressiosverfahre I der Meßtechik kommt es häufig vor, daß eie Schar vo aufgeommee Meßpukte durch eie geeigete aalytische Fuktio i Form eier
MehrWiederholung: Linearer Ausgleich 1. Linearer Ausgleich. Vorlesung April. Aufgabe Gegeben Naturgesetz
Vorlesug 4 6 + 9 April Bei w,, w m, v R ; (w,, w m =: A R (,m ud ieres Produkt = euklidisches Produkt schrieb sich das Approximatiosproblem so: Fide w = Wiederholug: m ζ k w k mit w v w v w spa{w,, w m
MehrParameter von Häufigkeitsverteilungen
Kapitel 3 Parameter vo Häufigkeitsverteiluge 3. Mittelwerte Mo Der Modus (:= häufigster Wert, Abk.: Mo) ist der Merkmalswert mit der größte Häufigkeit, falls es eie solche gibt. Er sollte ur bei eigipflige
Mehr3 Wichtige Wahrscheinlichkeitsverteilungen
26 3 Wichtige Wahrscheilicheitsverteiluge Wir betrachte zuächst eiige Verteilugsfutioe für Produtexperimete 31 Die Biomialverteilug Wir betrachte ei Zufallsexperimet zum Beispiel das Werfe eier Müze, bei
MehrWirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel
3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische
Mehr= T. 1.1. Jährliche Ratentilgung. 1.1. Jährliche Ratentilgung. Ausgangspunkt: Beispiel:
E Tilgugsrechug.. Jährliche Raeilgug Ausgagspuk: Bei Raeilgug wird die chuldsumme (Newer des Kredis [Aleihe, Hypohek, Darleh]) i gleiche Teilberäge T geilg. Die Tilgugsrae läss sich ermiel als: T =.. Jährliche
MehrBsp.: Kostenfunktion: Gerade, nichtlineare Kurve Stichwort: Fixkosten, Variable Kosten, proportional/überproportional steigend
FerUNI Hage WS 00/0 Differetialrechug für Fkt. Eier Variable Ziel: Maß für lokale Äderuge eier Fuktio Bei Etscheiduge sid of icht die absolute Koste iteressat, soder vielmehr die Veräderug, die eie Produktio
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrTests für beliebige Zufallsvariable
Kapitel 10 Tests für beliebige Zufallsvariable 10.1 Der Chi-Quadrat-Apassugstest Sei x eie gaz beliebige Zufallsvariable, dere Dichtefuktio icht oder icht geau bekat ist. Beispiel: Es seie z.b. mittels
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
MehrWir weisen die Gültigkeit der 4Axiome der sigma-algebra für die Potenzmenge einer endlichen Menge A nach!
Lösug zu Übug 4 Prof. Dr. B.Grabowski E-Post: grabowski@htw-saarlad.de Zu Aufgabe ) Wir weise die Gültigkeit der 4Axiome der sigma-algebra für die Potezmege eier edliche Mege A ach! ) Die leere Mege ud
MehrGeckos gehören zur Familie der Schuppenkriechtiere. Sie bevölkern seit etwa 50 Millionen Jahren die Erde und haben sich im Laufe ihrer Entwicklung
Gymasie, Gesamschule, Berufliche Gymasie Behörde für Schule ud Berufsbildug Haupermi Lehrermaerialie zum Leisugskurs Mahemaik II.2 Geckos LA/AG 2 Geckos gehöre zur Familie der Schuppekriechiere. Sie bevölker
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG. - LÖSUNGEN. ypothesetest für die Dicke vo Plättche Die Dicke X vo Plättche, die auf eier bestimmte Maschie
Mehrund wird als n-dimensionaler (reeller) Vektorraum bezeichnet. heißt der von v 1,..., v k aufgespannte Unterraum des R n.
Reeller Vektorraum Kapitel Vektorräume Die Mege aller Vektore x mit Kompoete bezeiche wir mit x R =. : x i R, i x ud wird als -dimesioaler (reeller) Vektorraum bezeichet. Defiitio Ei Vektorraum V ist eie
MehrFinanzmathematische Formeln und Tabellen
Jui 2008 Dipl.-Betriebswirt Riccardo Fischer Fiazmathematische Formel ud Tabelle Arbeitshilfe für Ausbildug, Studium ud Prüfug im Fach Fiaz- ud Ivestitiosrechug Dieses Werk, eischließlich aller seier Teile,
MehrMathematik 2 für Naturwissenschaften
Has Walser Mathematik 2 für Naturwisseschafte 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Modul 209 Tabelle Has Walser: Modul 209, Tabelle ii Ihalt Fakultäte... 2 Biomialkoeffiziete... 2 3 Biomische Verteilug... 3
MehrKapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
Mehr2. Diophantische Gleichungen
2. Diophatische Gleichuge [Teschl05, S. 91f] 2.1. Was ist eie diophatische Gleichug ud wozu braucht ma sie? Def D2-1: Eie diophatische Gleichug ist eie Polyomfuktio i x,y,z,, bei der als Lösuge ur gaze
MehrSimulationsbasierte stochastisch dynamische Programmierung
Simulaiobaiere ochaich dyamiche Programmierug OLIVER MUßHOFF, BERLIN NORBERT HIRSCHAUER, BERLIN Abrac Deciio ree, repreeig he backward recurive dyamic programmig approach, are ofe o flexible eough o aalyze
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF. DR. ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Semiar für Theoretische Wirtschaftslehre Vorlesugsprogramm 11.06.2013 Zweidimesioale Datesätze (Fortsetzug) 3. Regressiosaalyse:
Mehr5.3 Wachstum von Folgen
53 Wachstum vo Folge I diesem Abschitt betrachte wir (rekursiv oder aders defiierte) Folge {a } = ud wolle vergleiche, wie schell sie awachse, we wächst Wir orietiere us dabei a W Hochstättler: Algorithmische
MehrD-MATH Topologie FS 15 Theo Bühler. Musterlösung 2
D-MATH Topologie FS 15 Theo Bühler Musterlösug 2 1. a) Per Defiitio ist A = {x : x berührt A}. I der Vorlesug wurde die Formel (X A) = ( A ) c gezeigt, also A = ( X A ) c. Daher ist A = A A = A (A ) c
MehrKonvexität und Ungleichungen
Koveität ud Ugleichuge Tag der Mathematik 2003 Holger Stepha Weierstraß Istitut für Agewadte Aalysis ud Stochastik http://www.wias-berli.de/people/stepha = Für mathematisch iteressierte Schüler = Folie
MehrStochastik für WiWi - Klausurvorbereitung
Dr. Markus Kuze WS 2013/14 Dipl.-Math. Stefa Roth 11.02.2014 Stochastik für WiWi - Klausurvorbereitug Gesetz der totale Wahrscheilichkeit ud Satz vo Bayes (Ω, F, P) Wahrscheilichkeitsraum, E 1,..., E F
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
Mehr5. Autokorrelation und Heteroskedastizität
5. Auokorrelao ud Heereskedaszä Ökoomere I - Peer Salder 5. Auokorrelao ud Heeroskedaszä (Maddala Kapel 5 ud 6) Daegeerereder Prozess:... u u ~ IN( 0, ) Geschäze Regressosglechug: ˆ ˆ ˆ... û Schäzug der
MehrSBP Mathe Aufbaukurs 1. Absolute und relative Häufigkeit. Das arithmetische Mittel und seine Eigenschaften. Das arithmetische Mittel und Häufigkeit
SBP Mathe Aufbaukurs 1 # 0 by Clifford Wolf # 0 Atwort Diese Lerkarte sid sorgfältig erstellt worde, erhebe aber weder Aspruch auf Richtigkeit och auf Vollstädigkeit. Das Lere mit Lerkarte fuktioiert ur
MehrBernoulli-Experiment und Binomialverteilung
IV Beroulli-Exerimet ud Biomialverteilug Beroulli-Exerimet ud Beroulliette Defiitio: Zufallsexerimete, bei dee ma sich ur für das Eitrete ( Treffer, Symbol ) oder das Nichteitrete ( Niete, Symbol 0 ) eies
MehrBeispiele für Aufgaben in der Ökonometrieklausur in Duisburg
Beispiele für Aufgaben in der Ökonomerieklausur in Duisburg Die Aufgaben sind (z.. modifiziere) asächlich geselle Aufgaben unerschiedlichen Schwierigkeisgrads und daher auch mi unerschiedlicher Punkzahl
Mehr1. Einleitung. Uni- und bivariate Datenanalyse. Auswertung eines Merkmals. Verbundene Auswertung zweier Merkmale
. Eileitug Ui- ud ivariate Dateaalyse Uivariate Dateaalyse uswertug eies Merkmals Beispiele: Uivariate Häufigkeitsverteiluge, arithmetisches Mittel, Variaz ud Stadardaweichug Bivariate Dateaalyse Verudee
MehrTesten statistischer Hypothesen
Kapitel 9 Teste statistischer Hypothese 9.1 Eiführug, Sigifiaztests Sigifiaztest für µ bei der ormalverteilug bei beatem σ = : X i seie uabhägig ud µ, ) verteilt, µ sei ubeat. Stelle eie Hypothese über
MehrAufgabe 4.2. (a) lim 7 + = (b) lim. ( 2n 3 6n 2 + 3n 1. (c) lim n n 2 ( 1) n n 3) = lim. (d) n n + 1. lim. (e) n n. Aufgabe 4.3.
Folge Eie Folge ist eie Aordug vo reelle Zahle. Die eizele Zahle heiße Glieder der Folge. Kapitel 4 Folge ud Reihe Formal: Eie Folge ist eie Abbildug a : N R, a Folge werde mit a i i oder kurz a i bezeichet.
Mehr