Problemstellung und Lernziele
|
|
- Eva Adenauer
- vor 6 Jahren
- Abrufe
Transkript
1 Nachfrageprognose
2 Problemstellung und Lernziele Inwiefern können Serviceunternehmen durch Nachfrageprognosen einen Wettbewerbsvorteil erwirtschaften? Nach dieser Veranstaltung sollten Sie, die wichtigsten Prognosemethoden kennen Delphi-Befragungen und Cross-Impact- Analysen durchführen können lineare Regressionen erstellen können Zeitreihenmethoden anwenden können die Vor- und Nachteile der verschiedenen Prognosemethoden beurteilen können für jede Prognosesituation die geeignete Prognosemethode auswählen können
3 Prognosemethoden Subjektive Verfahren Delphi Methode Cross-Impact Analyse Historische Analogie Kausalmodelle Regressionsmodelle Ökonometrische Modelle Zeitreihenmodelle Methode der gleitenden Durchschnitte Exponentielle Glättung
4 Delphi Methode Experten werden bzgl. ihrer Zukunftseinschätzung befragt (z.b. wo liegt der Dow Jones Index Ende 2005) Ergebnisse werden zusammengefasst und den befragten Experten mitgeteilt Anschließend werden die Experten gebeten, neue Schätzungen abzugeben Diejenigen Experten, deren Meinungen stark vom Durchschnitt abweichen, werden gebeten, Ihre Einschätzung zu begründen Evtl. Wiederholung über mehrere Befragungsund Auswertungsrunden
5 Cross-Impact-Analyse Annahme: zukünftige Ereignisse korrelieren mit früheren Ereignissen Experten werden zunächst hinsichtlich ihrer Korrelationseinschätzung befragt Anschließend werden die unbedingten Wahrscheinlichkeiten für die Zukunftsereignisse erfragt Falls diese mit den bedingten Wahrscheinlichkeiten der zuvor ermittelten Korrelationsmatrix nicht übereinstimmen, werden die Experten hierüber informiert und um eine Anpassung ihrer Einschätzung gebeten Evtl. mehrere Iterationsschritte
6 Historische Analogie Annahme: Die Nachfrageentwicklung bei neuen Dienstleistungen verläuft in Analogie zur Nachfrage nach bereits eingeführten Dienstleistungen Beispiel: Nachfrageentwicklung bei Internetanschlüssen erfolgt in historischer Analogie zur Nachfrageentwicklung bei Telefonanschlüssen
7 Einfache lineare Regression Ziel: Zusammenhang von zwei Variablen X,Y erfassen Gleichung: Y=a+bX+ε X ist die unabhängige Variable Y ist die abhängige Variable Y a a = Grundwert der Regressionsgeraden b = Steigung der Regressionsgeraden X
8 Einfache lineare Regression Methode: Ordinary Least Squares (OLS) Minimiere Σε i2 =Σ(Y i -a-bx i ) bezüglich a und b Wir erhalten dann a = Y - bx b = XiYi - nyx X 2 i - nx 2
9 Beispiel: Einfache lineare Datenbasis: Regression Firma i Werbung X Umsatz Y (in hundert)
10 Beispiel: Einfache lineare Regression X i Y i X i Y i X i
11 Beispiel: Einfache lineare Regression Y = 427 / 7 = 61 X = 280 / 7 = 40 a = Y - bx = * 40 = 29.4 b = XiYi - nyx X 2 i - nx 2 = *61* *1600 = 0.79
12 Beispiel: Einfache lineare Regression Die geschätzte Regessionsgerade lautet: y=a+bx= *x
13 Gleitender Durchschnitt mit N Perioden MA T = Gleitender N-PeriodenN Perioden-Durchschnitt am Ende der Periode T A T = Wert für Periode T MA T = (A T + A T-1 + A T A T-N+1 N+1)/N Eigenschaften: Man benötigt N Beobachtungen Einfach und kostengünstig Alle Beobachtungen werden gleich gewichtet Beobachtungen, die mehr als N-Perioden N zurückliegen, werden ignoriert
14 Beispiel Zimmerauslastung an Samstagen (100 Zimmer-Hotel) Gleitender Durchschnitt Samstag Periode Auslastung in % (3-Perioden) Prognose Aug Sep
15 Exponentielle Glättung S T = exponentiell geglätteter Wert am Ende von Periode T A T = Wert der Periode T T+1 = Prognose für Periode T+1 F T+1 Rückkoppelungskontrolle: Neuer Wert (S T ) = Alter Wert (S T-1 ) + α x beobachteter Prognosefehler bzw. : S = S + α[ A S ] T T-1 T T 1 S = αa + ( 1 α) S T T T 1 F T+ 1 = S T
16 Beispiel (α( = 0.5) Zimmerauslastung an Samstagen (100 Zimmer-Hotel) Samstag Periode t A t S t F t A t - F t Aug Sep Mean Absolute Deviation (MAD) = n t A F / n = 33 / 5 = t t 6.6
17 Exponentielle Glättung: Implizite Gewichtung Durch Ersetzen von: S S S T T T = αa T = αa T = αa T + (1 α) S T 1 + (1 α)[ αa + α(1 α) A T 1 T 1 + (1 α) S + (1 α) 2 T 2 S ] T 2 erhält man: 2 T 1 T S = αa + α( 1 α) A + α( 1 α) A α( 1 α) A + ( 1 α) S T T T 1 T 2 1 0
18 Exponentielle Glättung: Gewichtsverteilung Weight α = 03. α ( 1 α ) = α( 1 α) = α( 1 α) 3 = α( 1 α) = α( 1 α) = Age of Observation (Period Old) Zusammenhang zwischen α und N: α: : N:
19 Hotelbeispiel Effekt von Alpha (α( = 0.1 vs. α = 0.5) Occupancy Aktuell Prognose mit α = 0.5 Prognose mit α = Period
20 Exponentielle Glättung mit Trendanpassung St = α( At) + ( 1 α)( St 1+ Tt 1) Tt = β( St St 1) + ( 1 β) Tt 1 F = S + T t+ 1 t t Flugzeugauslastung (α( = 0.5; β = 0.3) Woche Auslastung in% geglätteter Wert geglätteter Trend T Prognose Prognosefehler t A t S t T t F t A t - F t MAD 6.50
21 Exponentielle Glättung mit Saisonangleichung S = α ( A / I ) + ( 1 α ) S F = ( S )( I ) I t t t L t 1 t + 1 t t L + 1 t A t = γ + ( 1 γ ) I S Fährpassagiere nach Capri (α( = 0.2; γ = 0.3) t Periode t A t S t I t F t A t - F t t L 1995 Januar Februar März April Mai Juni Juli August September Oktober November Dezember Januar Februar März April Mai
22 Methode Dateninput Kosten Horizont Anwendungen Subjektive Verfahren Delphimethode Umfrageergebnisse Hoch Langfristig Technologieprognose Cross-Impact Studie Ereigniskorrelation Hoch Langfristig Technologieprognose Historische Analogie Historische Daten Hoch Mittel- bis langfristig Lebenszyklusnachfrage Kausalmodelle Regression Alle verfügbaren Daten Mittel Mittelfristig Nachfrageprognose Ökonometrie Alle verfügbaren Daten Mittel bis hoch Mittel- bis langfristig Ökonomisches Umfeld Zeitreihenmodelle Gleitender Durchschnitt Die letzten N Beobachtungen Niedrig Kurzfristig Nachfrageprognose Exponentielle Glättung Geglätteter Wert und letzte Beobachtungen Niedrig Kurzfristig Nachfrageprognose
Nachfrageprognose. Prof. Dr. Helmut Dietl
Nachfrageprognose Prof. Dr. Helmu Diel Problemsellung und Lernziele Inwiefern können erviceunernehmen durch Nachfrageprognosen einen Webewerbsvoreil erwirschafen? Nach dieser Veransalung sollen ie, die
MehrÜberschrift. Titel Prognosemethoden
Überschrift Prognosemethoden Überschrift Inhalt 1. Einleitung 2. Subjektive Planzahlenbestimmung 3. Extrapolierende Verfahren 3.1 Trendanalyse 3.2 Berücksichtigung von Zyklus und Saison 4. Kausale Prognosen
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
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
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
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
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
MehrGütebewertung und Performanceanalyse von Prognosealgorithmen bei unterschiedlichen Signalklassen
Gütebewertung und Performanceanalyse von Prognosealgorithmen bei unterschiedlichen Signallassen Diplomverteidigung Yongrui Qiao 25. 06. 2009 1/33 Gliederung Motivation und Problemstellung Testverfahren
MehrBivariate Zusammenhänge
Bivariate Zusammenhänge 40 60 80 Bivariater Zusammenhang: Zusammenhang zwischen zwei Variablen weight (kg) Gibt es einen Zusammenhang zwischen Größe & Gewicht? (am Beispieldatensatz) Offensichtlich positiver
Mehr5.6 Empirische Wirtschaftsforschung
5.6.0 Vorbemerkungen Literatur Winker, P. (2010): Empirische Wirtschaftsforschung und Ökonometrie. 3. Auflage. Springer. Insbesondere Kapitel 1, 4 und 10. Volltext-Download im Rahmen des LRZ-Netzes. Rinne,
MehrGründe. Es besteht der Bedarf der Prognose. Es besteht ein Bedarf an Prognosemethoden
Prognosemethoden Gründe Es besteht der Bedarf der Prognose des Zahlungszeitpunktes, hinsichtlich der Höhe der Einzahlungen, und des Risikos. Es besteht ein Bedarf an Prognosemethoden Prognose der Zeitpunkte
MehrBestandsmanagement. Prognoseverfahren und Lagerhaltungspolitiken
Bestandsmanagement Prognoseverfahren und Lagerhaltungspolitiken Inhalt Bestandsmanagement in Supply Chains Prognoseverfahren Prognose bei regelmäßigem Bedarf Konstantes Bedarfsniveau Trendförmiges Bedarfsniveau
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
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
Mehr1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt:
Beispiele zum Üben und Wiederholen zu Wirtschaftsstatistik 2 (Kurs 3) 1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt: Haushaltseinkommen 12 24 30 40 80 60
MehrKointegration. Kapitel 19. Angewandte Ökonometrie / Ökonometrie III Michael Hauser
1 / 28 Kointegration Kapitel 19 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 28 Inhalt I(d), Trends, Beispiele Spurious Regression Kointegration, common trends Fehlerkorrektur-Modell Test
MehrPrognose. Kapitel 5. Ökonometrie I Michael Hauser
1 / 31 Prognose Kapitel 5 Ökonometrie I Michael Hauser 2 / 31 Inhalt Prognose, allgemein Prognosebeispiel Punktprognose Prognosefehler Intervallprognose Mean square error, Prognosegüte 3 / 31 Prognose
Mehr11. Zeitreihen mit Trend und Saisonalität
In diesem Abschnitt geht es um ZR, die in eine Trend-, eine Saisonund eine Restkomponente zerlegt werden können. (Das Niveau sei in der Trendkomponente enthalten.) Beispiele für solche ZR sind in Abb.
MehrDrittvariablenkontrolle in der linearen Regression: Trivariate Regression
Drittvariablenkontrolle in der linearen Regression: Trivariate Regression 14. Januar 2002 In der Tabellenanalyse wird bei der Drittvariablenkontrolle für jede Ausprägung der Kontrollvariablen eine Partialtabelle
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
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
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Preismesszahl: Misst Preisveränderung eines einzelnen Gutes: Preis zum Zeitpunkt
Mehr6.2 Regressionsanalyse
c-kennzahlensystem (ROCI) 6. Regressionsanalyse Die Regressionsanalyse zählt zu den wichtigsten Analysemethoden des Kommunikationscontrollings und hat ihre tiefen Wurzeln in der Statistik. Im Rahmen des
MehrSchätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Regression: 4 eindimensionale Beispiele Berühmte
MehrElementare Regressionsrechnung
Elementare Regressionsrechnung Motivation: Streudiagramm zweier metrisch skalierter Merkmale X und Y Y X Dr. Karsten Webel 107 Ziel: Erfassung des Zusammenhangs zwischen X und Y durch eine Gerade der Form
Mehr1 Einleitung. 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen?
1 Einleitung 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen? Idee der Ökonometrie: Mithilfe von Daten und statistischen Methoden Zusammenhänge zwischen verschiedenen Größen messen. Lehrstuhl
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie () WiSe /3 Univariate und bivariate Verfahren Univariate
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Ausgangsdaten Bundesliga 2008/2009 Gegeben: Daten zu den 18 Vereinen der ersten Bundesliga
MehrBestandsplanung und -steuerung: Die Bedarfsermittlung
Bestandsplanung und -steuerung: Die Bedarfsermittlung Dortmund, Oktober 1998 Prof. Dr. Heinz-Michael Winkels, Fachbereich Wirtschaft FH Dortmund Emil-Figge-Str. 44, D44227-Dortmund, TEL.: (0231)755-4966,
MehrWiederholung Qualitätssicherung Drittvariablen. Regression II. Statistik I. Sommersemester Statistik I Regression II (1/33) Wiederholung
Regression II Statistik I Sommersemester 2009 Statistik I Regression II (1/33) R 2 Root Mean Squared Error Statistik I Regression II (2/33) Zum Nachlesen Agresti: 9.1-9.4 Gehring/Weins: 8 Schumann: 8.1-8.2
MehrDatenanalyse mit Excel und Gretl
Dozent: Christoph Hindermann christoph.hindermann@uni-erfurt.de Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 1 Teil 2: Gretl Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 2 Modellannahmen
MehrZeitreihenökonometrie
Zeitreihenökonometrie Kapitel 11 - Filterverfahren Unterscheidung zwischen Wachstum und Konjunktur Wachstum: langfristige Entwicklung des Bruttoinlandsproduktes bei voller oder normaler Auslastung der
MehrLösungsvorschläge zur Klausur Beschreibende Statistik und Wirtschaftsstatistik (Sommersemester 2013)
Lösungsvorschläge zur Klausur Beschreibende Statistik und Wirtschaftsstatistik (Sommersemester 203) Aufgabe (9 Punkte) Ein metrisches Merkmal X sei in einer Grundgesamtheit vom Umfang n = 200 diskret klassiert.
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrStatistik Einführung // Lineare Regression 9 p.2/72
Statistik Einführung Lineare Regression Kapitel 9 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Ledold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Lineare Regression
MehrPrognosen. Prognosen sind schwierig, besonders wenn sie die Zukunft betreffen. Auch ein Weiser hat nicht immer recht Prognosefehler sind hoch
Universität Ulm 8969 Ulm Germany Dipl.-WiWi Sabrina Böck Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 8/9 Prognosen
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrBei näherer Betrachtung des Diagramms Nr. 3 fällt folgendes auf:
18 3 Ergebnisse In diesem Kapitel werden nun zunächst die Ergebnisse der Korrelationen dargelegt und anschließend die Bedingungen der Gruppenbildung sowie die Ergebnisse der weiteren Analysen. 3.1 Ergebnisse
Mehr1. Lösungen zu Kapitel 7
1. Lösungen zu Kapitel 7 Übungsaufgabe 7.1 Um zu testen ob die Störterme ε i eine konstante Varianz haben, sprich die Homogenitätsannahme erfüllt ist, sind der Breusch-Pagan-Test und der White- Test zwei
MehrÜbungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho
Übungen (HS-2010): Urteilsfehler Autor: Siegfried Macho Inhaltsverzeichnis i Inhaltsverzeichnis 1. Übungen zu Kapitel 2 1 Übungen zu Kontingenz- und Kausalurteile 1 Übung 1-1: 1. Übungen zu Kapitel 2 Gegeben:
MehrRegionale Arbeitslosenprognosen: Die Leistungsfähigkeit ausgewählter Zeitreihenverfahren
Institut für Arbeitsmarkt- und Berufsforschung Folie 1 Regionale Arbeitslosenprognosen: Die Leistungsfähigkeit ausgewählter Zeitreihenverfahren Katharina Hampel Marcus Kunz Norbert Schanne Antje Weyh Dr.
MehrCeBIT (2) Jedes Jahr im Frühjahr findet die CeBIT, die Messe für Informationstechnik, in Hannover statt.
CeBIT (2) Aufgabennummer: B_158 Technologieeinsatz: möglich erforderlich S Jedes Jahr im Frühjahr findet die CeBIT, die Messe für Informationstechnik, in Hannover statt. a) Die folgende Tabelle zeigt die
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 27
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 27 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
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
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
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
MehrDiagnose und Prognose: Kurzfassung 4
Diagnose und Prognose: Kurzfassung 4 Ziele der 4. Vorlesung Inhaltliche Verbindung zwischen inhaltlicher Statistisches Konzept / Problemstellung Problemstellung und statistischem statistische Methode Konzept/Methode
MehrRegression I. Statistik I. Sommersemester Lineare Regression Zusammenhang und Modell Ein Beispiel: Armut und Gewaltverbrechen Zusammenfassung
Sommersemester 2009 Ein Beispiel: Armut und Gewaltverbrechen Rechtswahl 15 10 5 0 5 10 Arbeitslosigkeit Zum Nachlesen Agresti: 9.1-9.4 Gehring/Weins: 8 Schumann: 8.1-8.2 Was ist ein Zusammenhang? Gemeinsame
MehrStatistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt 6 Gerhard Tutz, Jan Ulbricht WS 05/06.
Statistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt Gerhard Tutz, Jan Ulbricht WS 05/0 Lösung Aufgabe 4 Notation: X: Rauchen, Y : chronische Bronchitis S X {ja, nein} {a 1, a },
MehrAnalyse von Querschnittsdaten. Spezifikation der unabhängigen Variablen
Analyse von Querschnittsdaten Spezifikation der unabhängigen Variablen Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 3.0.004 0.0.004
MehrKorrelation und Regression
FB 1 W. Ludwig-Mayerhofer und 1 und FB 1 W. Ludwig-Mayerhofer und 2 Mit s- und sanalyse werden Zusammenhänge zwischen zwei metrischen Variablen analysiert. Wenn man nur einen Zusammenhang quantifizieren
MehrÜbungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
Mehr2.3 Nichtlineare Regressionsfunktion
Nichtlineare Regressionsfunktion Bisher: lineares Regressionsmodell o Steigung d. Regressionsgerade ist konstant o Effekt einer Änderung von X auf Y hängt nicht vom Niveau von X oder von anderen Regressoren
MehrInhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1
Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...
MehrTechnische Universität München. Prognoseverfahren. Mit PC-Unterstützung Tendenzen und Prognose in der Forstwirtschaft erkennen
Prognoseverfahren Mit PC-Unterstützung Tendenzen und Prognose in der Forstwirtschaft erkennen Definition und Fragen Was ist eine Prognose, was ein Trend Wo werden sie angewandt und zu welchem Zweck Relevanz
MehrStatistik Vorlesung 7 (Lineare Regression)
Statistik Vorlesung 7 (Lineare Regression) K.Gerald van den Boogaart http://www.stat.boogaart.de/ Statistik p.1/77 Gerade als Vereinfachung Wachstum bei Kindern height 76 78 80 82 18 20 22 24 26 28 age
MehrEmpirical Banking and Finance
Empirical Banking and Finance Vorlesung zur Volkswirtschaftspolitik Prof. Dr. Isabel Schnabel Lehrstuhl für Volkswirtschaftslehre, insb. Financial Economics Johannes Gutenberg-Universität Mainz Wintersemester
MehrVeranschaulichen Sie die de Morgan schen Regeln anhand von Venn-Diagrammen:
Formalisierungspropädeutikum Aufgabensammlung Prof. Dr. Th. Augustin, Dr. R. Poellinger, C. Jansen, J. Plaß, G. Schollmeyer Oktober 2016 Aufgabe 1 (de Morgan sche Regeln) Veranschaulichen Sie die de Morgan
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrInhaltsverzeichnis. Vorwort 13. Teil I Beschreibende Statistik 17. Kapitel 1 Statistische Merkmale und Variablen 19
Inhaltsverzeichnis Vorwort 13 Teil I Beschreibende Statistik 17 Kapitel 1 Statistische Merkmale und Variablen 19 1.1 Statistische Einheiten und Grundgesamtheiten 19 1.2 Merkmale und Merkmalsausprägungen
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
Mehr10 ARIMA-Modelle für nicht-stationäre Zeitreihen
10 ARIMA-Modelle für nicht-stationäre Zeitreihen In diesem Abschnitt untersuchen wir einige praktische Aspekte bei der Wahl eines geeigneten Modells für eine beobachtete Zeitreihe X 1,...,X n. Falls die
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
MehrAssoziation & Korrelation
Statistik 1 für SoziologInnen Assoziation & Korrelation Univ.Prof. Dr. Marcus Hudec Einleitung Bei Beobachtung von 2 Merkmalen stellt sich die Frage, ob es Zusammenhänge oder Abhängigkeiten zwischen den
MehrStatistik - Übungsaufgaben
Statistik - Übungsaufgaben 1) Eine vor mehreren Jahren durchgeführte Befragung von 30 Arbeitern eines Großbetriebes ergab für die Stundenlöhne folgende Liste: 16,35 16,80 15,75 16,95 16,20 17,10 16,64
MehrStatistische Methoden der VWL und BWL Theorie und Praxis ST?
Statistische Methoden der VWL und BWL Theorie und Praxis ST? Vorwort 13 Teil I Beschreibende Statistik 17 Kapitel 1 Statistische Merkmale und Variablen 19 1.1 Statistische Einheiten und Grundgesamtheiten
MehrStatistik I. Hinweise zur Bearbeitung. Aufgabe 1
Statistik I, SS 2002, Seite 1 von 8 Statistik I Hinweise zur Bearbeitung Hilfsmittel: - Taschenrechner (ohne Datenbank oder die Möglichkeit diesen zu programmieren) - Formelsammlung im Umfang von einer
MehrKapitel XII - Einführung in die Zeitreihenanalyse
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Einführung in die Zeitreihenanalyse Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrEmpirische Analysen mit dem SOEP
Empirische Analysen mit dem SOEP Methodisches Lineare Regressionsanalyse & Logit/Probit Modelle Kurs im Wintersemester 2007/08 Dipl.-Volksw. Paul Böhm Dipl.-Volksw. Dominik Hanglberger Dipl.-Volksw. Rafael
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
MehrLudwig-Erhard-Stiftungsprofessur. Termin 1
Universität Ulm 89069 Ulm Germany Robert Maier Daniele Sabella Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Tutorium Wachstum und
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
MehrWeiterbildungskurs Stochastik
Hansruedi Künsch Seminar für Statistik Departement Mathematik, ETH Zürich 24. Juni 2009 Inhalt STATISTIK DER BINOMIALVERTEILUNG 1 STATISTIK DER BINOMIALVERTEILUNG 2 Fragestellungen Typische Fragestellungen
MehrFehler- und Ausgleichsrechnung
Fehler- und Ausgleichsrechnung Daniel Gerth Daniel Gerth (JKU) Fehler- und Ausgleichsrechnung 1 / 12 Überblick Fehler- und Ausgleichsrechnung Dieses Kapitel erklärt: Wie man Ausgleichsrechnung betreibt
MehrDynamische Systeme und Zeitreihenanalyse // Daten 8 p.2/??
Dynamische Systeme und Zeitreihenanalyse Daten Kapitel 8 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Daten 8 p.0/?? Lernziele Datentypen Beobachtungsfrequenzen
MehrWirtschaftliche Trendbetrachtung und Prognosemodelle im Rahmen des kommunalen Objektmanagements
Wirtschaftliche Trendbetrachtung und Prognosemodelle im Rahmen des kommunalen Objektmanagements Alexander Haß, Denny Megallis, Maik Moser Gliederung 1. Theoretische Einführung in Trendanalysen 2. Beispielhafte
MehrMehrgleichungsmodelle
Mehrgleichungsmodelle Stichwörter: Typen von Mehrgleichungsmodellen multivariates Regressionsmodell seemingly unrelated Modell interdependentes Modell Schätzen der Parameter Bestimmtheitsmass Spezifikationstests
MehrSBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2
Inhalt SBWL Tourismusanalyse und Freizeitmarketing, Vertiefungskurs 2 1. Teil: Zerlegungsmodelle und naive Prognosemethoden für Zeitreihen Regina Tüchler Einleitung 1. Einführung in das Modellieren von
MehrLineare Regression II
Lineare Regression II Varianzanalyse als multiple Regession auf Designvariablen Das lineare Regressionsmodell setzt implizit voraus, dass nicht nur die abhängige, sondern auch die erklärenden Variablen
MehrAngewandte Ökonometrie Übung. Endogenität, VAR, Stationarität und Fehlerkorrekturmodell
Angewandte Ökonometrie Übung 3 Endogenität, VAR, Stationarität und Fehlerkorrekturmodell Zeitreihenmodelle Zeitreihenmodelle Endogenität Instrumentvariablenschätzung Schätzung eines VARs Tests auf Anzahl
MehrÜbung 1 - Konjunkturprognosen
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2010/2011
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
MehrKapitel 1 Einführung. Angewandte Ökonometrie WS 2012/13. Nikolaus Hautsch Humboldt-Universität zu Berlin
Kapitel 1 Einführung Angewandte Ökonometrie WS 2012/13 Nikolaus Hautsch Humboldt-Universität zu Berlin 1. Allgemeine Informationen 2 17 1. Allgemeine Informationen Vorlesung: Mo 12-14, SPA1, 23 Vorlesung
Mehr5 Zusammenhangsmaße, Korrelation und Regression
5 Zusammenhangsmaße, Korrelation und Regression 5.1 Zusammenhangsmaße und Korrelation Aufgabe 5.1 In einem Hauptstudiumsseminar des Lehrstuhls für Wirtschafts- und Sozialstatistik machten die Teilnehmer
MehrAbschlussworkshop Effizienter Heizen besser Dämmen? Nachfrage nach Wärme und Klimaschutz
SECO@home Abschlussworkshop Effizienter Heizen besser Dämmen? Nachfrage nach Wärme und Klimaschutz Referent: Martin Achtnicht, ZEW Loccum, 29. September 2010 Beitrag des Wohngebäudesektors bedeutender
MehrZiel der linearen Regression
Regression 1 Ziel der linearen Regression Bei der linearen Regression wird untersucht, in welcher Weise eine abhängige metrische Variable durch eine oder mehrere unabhängige metrische Variablen durch eine
Mehr{20. November 2012} Langfristeffekte von TV-Werbung: Der ROI Analyzer.
Langfristeffekte von TV-Werbung: Der ROI Analyzer raimund.wildner@gfk-verein.org Agenda Glanz und Elend der Bestimmung des ROI der Werbung Das Modell des ROI Analyzer Auswertungsbeispiele Zusammenfassung
Mehr3. Übungsblatt Aufgaben mit Lösungen
. Übungsblatt Aufgaben mit Lösungen Aufgabe : Gegeben sind zwei Teilmengen von R : E := {x R : x x = }, und F ist eine Ebene durch die Punkte A = ( ), B = ( ) und C = ( ). (a) Stellen Sie diese Mengen
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS
Sommersemester 2009 Statistik mit SPSS 15. Mai 2009 15. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Überblick 1. Korrelation vs. Regression 2. Ziele der Regressionsanalyse 3. Syntax für
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
MehrKap. 8: Regression mit Paneldaten
Kap. 8: Regression mit Paneldaten Einführung Paneldaten für zwei Perioden Regression mit festen Effekten bzgl. Individuen Regression mit festen Effekten bzgl. Zeit Annahmen in der Paneldatenanalyse Empirisches
MehrKapitel 4. Daten. Indizes: Preis-, Mengen- und Umsatzindex
Kapitel 4 Daten Josef Leydold c 2006 Mathematische Methoden IV Daten 1 / 18 Lernziele Datentypen Beobachtungsfrequenz Fluss- und Bestandsdaten Indizes: Preis-, Mengen- und Umsatzindex Preisbereinigung
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrDifferentialgleichungen
Kapitel Differentialgleichungen Josef Leydold Mathematik für VW WS 05/6 Differentialgleichungen / Ein einfaches Modell (Domar) Im Domar Wachstumsmodell treffen wir die folgenden Annahmen: () Erhöhung der
MehrAnnahmen des linearen Modells
Annahmen des linearen Modells Annahmen des linearen Modells zusammengefasst A1: Linearer Zusammenhang: y = 0 + 1x 1 + 2x 2 + + kx k A2: Zufallsstichprobe, keine Korrelation zwischen Beobachtungen A3: Erwartungswert
MehrDelphi-Methode. Grundanliegen
Grundanliegen Delphi-Methode Aufwändiges Prognoseverfahren, um längerfristige Tendenzen zu erkennen. Das Delphi-Verfahren nutzt die Expertenbefragung, um Spezialwissen einzuholen und in einer oder mehreren
MehrProseminar Konvexe Mengen: Der Satz von Carathéodory
Proseminar Konvexe Mengen: Der Satz von Carathéodory Gerrit Grenzebach 26. Otober 2004 In diesem Referat werden der Begriff der onvexen Hülle einer Menge eingeführt und einige Eigenschaften der onvexen
MehrDie Prognose. Dipl.-Vw. Lutz Benson, Volkswirtschaftslehre, insbes. Stadt- und Regionalökonomie
Die Prognose Basis jedes auf die Zukunft gerichteten Handelns Zielsetzung in der Regionalforschung ist die Abschätzung von raumbezogenen Veränderungen im Zeitablauf Diese Veränderungen werden bestimmt
Mehr