Kapitel 4. Zensierte (censored) und gestutzte (truncated) abhängige Variablen, Sample Selection
|
|
- Hennie Junge
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 4 Zensierte (censored) und gestutzte (truncated) abhängige Variablen, Sample Selection In den vorhergehenden Abschnitten haben wir uns mit Fällen beschäftigt, in denen die abhängige Variable y entweder binären und ordinalen Charakter hatte. In diesem Abschnitt befassen wir uns mit Fällen, in denen die abhängige Variable über einen bestimmten Bereich intervallskaliert ist, aber in anderen Bereichen wesentlichen Restriktionen unterliegt (z.b. nicht beobachtbar ist oder nur einen bestimmten Wert annehmen kann). Man spricht in diesen Fällen von limited dependent variables. Zwei Fälle sind zu unterscheiden: Zensierte Variablen ( censored variables ): Die erklärenden Variablen werden über den gesamten Bereich beobachtet, aber die abhängige Variable ist nur über einen beschränkten Bereich bekannt. Alle Werte der abhängigen Variablen über oder unter einem Schwellenwert werden in einen einzigen Wert transformiert ( limited dependent variable ). Als Merkhilfe kann man sich einen Zensor vorstellen, der aus Geheimhaltungsgründen bestimmte Stellen schwarz übermalt (Werte der abhängigen Variable, die eine bestimmte Größe unter- oder überschreiten, einen fixen Wert zuordnet, aber die Werte der erklärenden Variable nicht manipuliert). Beispiele: Einkommen über einer bestimmten Grenze werden in der Statistik aus Datenschutzgründen häufig nur aggregiert ausgewiesen, Daten über Alter etc. der befragten Personen sind aber bekannt. Ausgaben für dauerhafte Konsumgüter, Urlaub,... Anzahl von Seitensprüngen (Fair 1978). Anzahl der Stunden, die berufstätige Frauen arbeiten. Anzahl von Wiederverhaftungen von entlassenen Häftlingen. In all diesen Beispielen nehmen wir an, dass wir die erklärenden Variablen auch für Personen beobachten, dir ein Gut nicht kaufen, bzw. nicht Urlaub 1
2 Empirische Wirtschaftsforschung 2 fahren, sich auf keinen Seitensprung einlassen, nicht arbeiten, oder nicht wiederverhaftet werden. Gestutzte Variablen (truncated variables): Weder die abhängige Variable noch die unabhängigen Variablen sind über den gesamten Bereich bekannt. Zum Beispiel, wenn alle Datensätze für Personen über einem bestimmten Schwellenwert verworfen werden ( Truncation ändert die Größe des Datensatzes!). Das Problem bei OLS-Schätzungen von zensierten (censored) oder gestutzten (truncated) abhängigen Variablen wird in Abbildung 4.1 verdeutlicht. y τ 1 0 OLS auf latente Variable x y τ 1 OLS auf zensierte Daten (Censored Data) OLS auf gestutzte Daten (Truncated Sample) Tobit Abbildung 4.1: OLS auf latente Variable sowie auf zensierte ( censored ) und gestutzte ( truncated ) Variable. Bei der zensierten Variable wird jeder Beobachtung mit y < τ der Wert Null zugewiesen (Kreise auf der x Achse, bei der gestutzten Variable werden alle Beobachtungen mit y < τ verworfen. x 4.1 Die Verteilung von zensierten und gestutzten Variablen Die Verteilung von censored und truncated Variablen wird in 4.2 verdeutlicht.
3 Empirische Wirtschaftsforschung 3 Normal Censored Truncated Dichte F(τ) 1 F(τ) τ µ y τ µ y τ µ y y > τ Abbildung 4.2: Zensierte ( censored ) & gestutzte ( truncated ) Variablen Die linke Grafik in Abbildung 4.2 zeigt die Verteilung (Dichte) einer latenten Variable y N(µ, 2 ). Die Dichtefunktion der latenten Variablen ist [ f(y 1 µ,) = 2π exp 1 ( ) ] y 2 µ 2 = 1 ( ) y φ µ = 1 ( ) µ y φ für φ(z) = 1 2πe 0.5z 2 N(0,1) Die Wahrscheinlichkeit, dass eine Beobachtungen in den linken schraffierten Bereich fällt, ist sodass ( ) y Pr(y µ τ) = Φ ( ) y Pr(y µ > τ) = 1 Φ wobei wir uns zunutze gemacht haben, dass aufgrund der Symmetrie der Normalverteilung um Null gilt φ(z) = φ( z) Φ(z) = 1 Φ( z) Die rechte Grafik Abbildung 4.2 zeigt die Verteilung einer gestutzten (truncated) Variable y y > τ. Da die schraffierte Fläche links von τ nicht berücksichtigt werden darf muß die Fläche angepaßt werden, damit die Fläche unter der Dichte Eins bleibt. Dies geschieht, indem die ursprüngliche Verteilung durch die Fläche rechts von τ dividiert wird. f(y y > τ,µ,) = f(y µ,) Pr(y > τ)
4 Empirische Wirtschaftsforschung 4 (die ursprüngliche Verteilung ist zu Vergleichszwecken punktiert eingezeichnet). Unter Verwendung der früheren Ergebnisse 1 f(y y > τ,µ,) = φ( ) y µ 1 Φ ( ) τ µ Da die Verteilung links abgeschnitten ist liegt der Erwartungswert der gestutzten Variable E(y y > τ) rechts vom Erwartungswert der latenten Variable E(y ) = µ, oder konkret (siehe Long 1997, S. 194) E(y y > τ) = µ+ φ( ) µ τ ( ) µ τ Φ ( ) µ τ = µ+λ (4.1) wobei λ( ) = φ( )/Φ( ) inverse Mills ratio genannt wird. Das gestutzte (truncated) Modell kann mittel Maximum Likelihood geschätzt werden. Die Log-Likelihood Funktion für das gestutzte Modell ist lnl = n 2 ln(2π) n 2 ln(2 ) n (y x iβ) i=1 n ln(φ(x iβ/)) i=1 Die Koeffizienten des gestutzten Modells geben die marginalen Auswirkungen einer erklärenden Variablex k aufe(y)inder (nicht gestutzten!) Grundgesamtheit an. Die marginalen Effekte für die gestutzte Stichprobe (d.h. für y > 0) können folgendermaßen berechnet werden (siehe Long 1997, S 208f) E(y y > τ x k = β k [1 δλ(δ) λ(δ) 2 ] wobei λ den inverse Mills ratio bezeichnet und δ i = x iβ τ Die mittlere Grafik in Abbildung 4.2 zeigt die Verteilung einer zensierten Variable y { y wenn yi y i = > τ, 0 wenn yi τ. mit ε i N(0, 2 ). Dies kann auch für das Regressionsmodell geschrieben werden als y i = max(τ,x iβ +ε i ) wobei in der Literatur häufig τ = 0 angenommen wird (dies ist keine wesentliche Einschränkung, da dies einfach erreicht werden kann, indem man y in Abweichungen vom bekannten Schwellenwert τ misst). Für Abbildung 4.2 bedeutet dies, dass alle Punkte, die im linken Panel im schraffierten Bereich links von τ liegen, im mittleren Panel genau auf τ liegen.
5 Empirische Wirtschaftsforschung 5 Die Beobachtungen in der schraffierten Region der linken Grafik liegen alle bei τ. Die Wahrscheinlichkeit, dass eine Beobachtung im zensierten Bereich liegt, ist ( ) τ µ Pr(Censored) = Pr(y < τ) = Φ und die Wahrscheinlichkeit einer Beobachtung im nicht zensierten Bereich ist ( ) ( ) τ µ µ τ Pr(Uncensored) = 1 Φ = Φ Deshalb ist der Erwartungswert einer zensierten Variable y E(y) = [Pr(Uncensored) E(y y > τ)]+[pr(censored) E(y y = τ y )] { ( )[ ( )] ( } µ τ µ τ τ µ = Φ µ+λ +Φ )τ y wobeiτ derschwellenwert ist,abdemy zensiert ist,undτ y derwertist,dery zugewiesen wird im Falle der Zensierung. Meist wird τ = τ y = 0 angenommen. 4.2 Das Tobit Modell für zensierte Variablen Das einfachste Tobit Modell bezieht sich auf den Fall einer von unten zensierten abhängigen Variablen y i, wobei die latente Variable y i linear in den x ist mit einem normalverteilten Störterm ε i, also mit y i = x i β +ε i ε i N(0, 2 ) Die beobachtete abhängige Variable y nimmt den Wert y an, wenn die latente Variable den Schwellenwert τ überschreitet, und den Wert τ y, wenn yi τ, also { yi y i = = x i β +ε i wenn yi > τ, wenn yi τ τ y Dieses Modell wurde im Laufe der Zeit in die verschiedensten Richtungen erweitert. Generell wird für eine Tobit Schätzung die Log-Likelihood Funktion einer zensierten (oder gestutzten) Variable maximiert. y i = max(τ y,x i β +ε i), ε i N(0, 2 ) Die Wahrscheinlichkeit für eine zensierte Beobachtung ist Pr(zensiert x i) = Pr(y i τ x i) = Pr(ε i τ x iβ x i)
6 Empirische Wirtschaftsforschung 6 Da ε i N(0, 2 ) ist ε i / N(0,1), deshalb ist ( Pr(Censored x i ) = Pr εi τ ) ( ) x iβ τ x x i = Φ i β := Φ( δ i ) und für nicht zensierte Beobachtungen ( ) ( ) τ x Pr(Uncensored x i) = 1 Φ i β x = Φ i β τ := Φ(δ i ) für Erwartungswert Erinnern wir uns, y i = ( ) x δ i := i β τ { y i = x i β +ε i wenn y i > τ, τ y wenn y i τ Für den Erwartungswert müssen wir beide Teil berücksichtigen E(y i x i = [Pr(Uncensored x i) E(y i y i > τ,x i)] +[Pr(Censored x i) τ y ] Unter Berücksichtigung der vorher berechneten Wahrscheinlichkeiten E(y i x i = [Φ(δ i ) E(y i y i > τ,x i)]+[φ( δ i ) τ y ] Sehen wir uns E(y i y i > τ,x i ) etwas genauer an E(y i y i > τ,x i) = E(x iβ +ε i y i > τ,x i) = x i β +E(ε i y i > τ,x i ) Aus Gleichung (4.1) folgt, dass E(ε i y i > τ,x i) = λ(δ i ), wobei die Standardabweichung von ε i ist, δ := (x iβ τ)/, und λ(z) = φ(z)/φ(z) wieder der inverse Mills ratio ist. Daraus folgt nach einigen weiteren Vereinfachungen E(y i x i ) = Φ(δ i)x i β +φ(δ i)+φ( δ i )τ y Schätzung Für nicht zensierte Beobachtungen ist die log-likelihood Funktion lnl u (β, 2 ) = ln 1 ( φ yi x i β ) Uncensored Für zensierte Beobachtungen ist X bekannt und wir wissen, dass y τ. Die entsprechende Wahrscheinlichkeit ist ( ) τ x Pr(yi τ x i) = Φ i β
7 Empirische Wirtschaftsforschung 7 Die Likelihood Funktion für zensierte Beobachtungen ist also L c (β, 2 ) = ( ) τ x Φ i β bzw. die Log-Likelihood Funktion Censored lnl c (β, 2 ) = Censored ( ) τ x lnφ i β Die Likelihood Funktion für zensierte Beobachtungen und nichtzensierte Beobachtungen ist deshalb lnl(β, 2 y,x) = Censored ( ) τ x lnφ i β + Uncensored ln 1 ( ) φ yi x iβ Man beachte, dass in diesem Modell β und einzeln identifiziert sind. Das Tobit Modell reagiert sehr empfindlich auf die Verletzung der zugrundeliegenden Annahmen, wie z.b. auf Heteroskedastizität (siehe z.b. Johnston/DiNardo 1997, S. 440f)! Interpretation der Parameter In Bezug auf die latente Variable y : wie OLS E(y i x i ) x k = β k In Bezug auf die zensierte Variable y: Wir haben bereits gesehen, dass E(y i x i ) = Φ(δ i)x i β +φ(δ i)+φ( δ i )τ y Daraus folgt der marginale Effekt (siehe Long 1997, S. 209) E(y i x i ) x h = Φ(delta i )β h +(τ τ y )φ(δ i ) β h Häufig ist τ = τ y, in diesem Fall vereinfacht sich der Ausdruck zu E(y i x i) x h = Φ(δ i )β h In Bezug auf die gestutzte Variable y > τ: Der Erwartungswert ist Die partielle Ableitung nach x h ist E(y y > τ,x i ) = x i β +λ(δ) E(y i y > τ,x i) x h = ( 1 δλ(δ) [λ(δ)] 2) β h wobei δ = (x iβ τ)/ und λ( ) = φ( )/Φ( ) wieder der inverse Mills ratio ist.
8 Empirische Wirtschaftsforschung Sample Selection Truncation führt zu einer Selektion der Stichprobe(für eine ausführliche Diskussion siehe Wooldridge 2000, Chapter 17, p. 557ff). Faustregel: Erfolgt die Auswahl in Abhängigkeit von exogenen Variablen (x) ist die Selektion weitgehend problemlos. Erfolgt die Auswahl in Abhängigkeit von endogenen Variablen (y) ist OLS weder erwartungstreu noch konsistent! cov(x i,ε i ) 0, sehr ähnlich wie ommitted variables. Das einfachste Selektionsmodell ist das bivariate Selektionsmodell (auch Tobit 2 genannt), wobei eine eigene Selektionsgleichung geschätzt wird und mit z i = y i = { 1 wenn z i > 0, 0 wenn z i 0. { y i wenn z i > 0, wenn z i 0. z i y i = w i γ +v i = x i β +ε i Meistens wird angenommen ( [( ( )] v 0 1 ρ N, u) 0) ρ u Zweistufige Sample Selection nach Heckman (1976) Bei der sogenannten Heckit Methode wird der Mechanismus, demzufolge eine Beobachtung zensiert oder nicht zensiert ist, explizit modelliert. Das eigentliche Modell ist wieder y i = x i β +ε i aber die Selektion, ob y i beobachtet wird oder nicht hängt nicht von einem τ ab, sondern von einer zweiten latenten Variable z mit z i = w iα+v i
9 Empirische Wirtschaftsforschung 9 mit z i = 1 wenn z i > 0 und Null sonst. Pr(z i = 1 w i ) = Φ(w i α) Pr(z i = 0 w i ) = 1 Φ(w i α) y wird nur beobachtet, wenn z > 0. Die Matrizen X und W können auch gleiche Variablen enthalten. Wenn X und W völlig gleich sind (d.h. wenn die Selektionsgleichung und Regression für y die gleichen Variablen enthalten) treten allerdings häufig große Probleme mit der Multikollinearität auf, da der inverse Mills ratio über weite Bereiche annähernd linear ist. Das Grundprinzip bei Heckman s zweistufigem Vorgehen ist einfach: zuerst wird auf Grundlage eines Probit Modells der inverse Mills ratio ˆλ i für jede Beobachtung berechnet. AufderzweitenStufewirdeineOLS-Regressionvony i aufallex i undden inverse Mills ratio ˆλ i für alle selektierten Beobachtungen (d.h. für Beobachtungen mit z i = 1) gerechnet, d.h. y i = x i β +γˆλ i wobei nur die Beobachtungen der gestutzten Stichprobe verwendet werden. Die so berechneten b sind konsistent und annähernd normalverteilt, aber nicht effizient. Die Standardfehler der zweiten Stufe sind bei dieser einfachen Vorgangsweise verzerrt und deshalb nicht anwendbar, da dabei die erste Stufe nicht berücksichtigt wird. Die folgende Vorgangsweise erlaubt die Schätzung konsistenter Standardfehler. Theorem Momente der gestutzte bivariaten Normalverteilung, siehe Greene (2003), S. 781: Wenn y und z bivariat normalverteilt sind mit Erwartungswerten µ y und µ z, Standardabweichungen y und z sowie Korrelation ρ, dan gilt E(y z > a) = µ y +ρ y λ(ω z ) [ var(y z > a) = y 2 1 ρ 2 δ(ω z ) ] mit ω z = a µz z ; λ = φ(ω z )/[1 Φ(ω z )] und δ(ω z ) = λ(ω z )[λ(ω z ) ω z ]. Deshalb gilt (siehe z.b. Greene 2003, 784) E(y i z i = 1,x i,z i ) = x i β +ρ u λ(w iα) Schätzung der Parameter Die Schätzung kann entweder mit Maximum Likelihood oder zweistufig erfolgen. Nach Greene (2003, S. 784f) kann man folgendermaßen vorgehen: 1. Schätze mit einem Probit die Parameter α der Selektionsgleichung. Berechne für jede Beobachtung den inverse Mills ratio sowie ˆλ i = φ(w iˆα) Φ(w iˆα) ˆδ i = ˆλ i (ˆλ i w iˆα)
10 Empirische Wirtschaftsforschung Berechne eine Schätzung für den Koeffizientenvektor β und βˆλ = ρ u mittels OLS, indem y auf x und ˆλ regressiert wird. Man kann zeigen, dass ˆ u = ˆεˆε n ˆ δb 2 λ ein konsistenten Schätzer für u 2 ist. Daraus kann schließlich ein Schätzer für ρ berechnet werden ˆρ = b λ ˆ u
Seminar 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
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
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrKlassen diskreter Variablen
Modelle diskreter Variablen Klassen diskreter Variablen binär multinomial Weitere Klassifizierung multinomialer diskreter Variablen: kategorial y = 1, falls Einkommen < 3000 e. y = 2, falls Einkommen zw.
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
MehrMusterlösung zur Klausur im Fach Fortgeschrittene Statistik am Gesamtpunktzahl: 60
WESTFÄLISCHE WILHELMS - UNIVERSITÄT MÜNSTER Wirtschaftswissenschaftliche Faktultät Prof. Dr. Bernd Wilfling Professur für VWL, insbesondere Empirische Wirtschaftsforschung Musterlösung zur Klausur im Fach
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
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
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
Mehr1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 6.. Herleitung des OLS-Schätzers
MehrInferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
MehrJohn Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
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
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrKapitel VI - Maximum-Likelihood-Schätzfunktionen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VI - Maximum-Likelihood-Schätzfunktionen Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
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
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
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
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
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 1 bis 4 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
MehrLogit-Analyse mit ordinalen und nominalen abhängigen Variablen
Logit-Analyse mit ordinalen und nominalen abhängigen Variablen Regressionsmodelle für Politikwissenschaftler Übersicht Das multinomiale Logit-Modell Das konditionale Logit-Modell Regressionsmodelle für
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
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
MehrVorlesung 4: Spezifikation der unabhängigen Variablen
Vorlesung 4: Spezifikation der unabhängigen Variablen. Fehlspezifikation der unabhängigen Variablen. Auswirkungen einer Fehlspezifikation a. auf die Erwartungstreue der Schätzung b. auf die Effizienz der
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
MehrWahrscheinlichkeitsverteilungen
Universität Bielefeld 3. Mai 2005 Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsrechnung Das Ziehen einer Stichprobe ist die Realisierung eines Zufallsexperimentes. Die Wahrscheinlichkeitsrechnung betrachtet
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 Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
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
Mehr7. Stochastische Prozesse und Zeitreihenmodelle
7. Stochastische Prozesse und Zeitreihenmodelle Regelmäßigkeiten in der Entwicklung einer Zeitreihe, um auf zukünftige Entwicklung zu schließen Verwendung zu Prognosezwecken Univariate Zeitreihenanalyse
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Inferenzstatistik in Regressionsmodellen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrTheorie Parameterschätzung Ausblick. Schätzung. Raimar Sandner. Studentenseminar "Statistische Methoden in der Physik"
Studentenseminar "Statistische Methoden in der Physik" Gliederung 1 2 3 Worum geht es hier? Gliederung 1 2 3 Stichproben Gegeben eine Beobachtungsreihe x = (x 1, x 2,..., x n ): Realisierung der n-dimensionalen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 8. Dezember 2010 Teil V Schließende Statistik 1 Parameterschätzung Erwartungstreue und Konsistenz Maximum-Likelihood
MehrML-Schätzung. Likelihood Quotienten-Test. Zusammenhang Reparametrisierung und Modell unter linearer Restriktion. Es gilt: β = Bγ + d (3.
Reparametrisierung des Modells Gegeben sei das Modell (2.1) mit (2.5) unter der linearen Restriktion Aβ = c mit A R a p, rg(a) = a, c R a. Wir betrachten die lineare Restriktion als Gleichungssystem. Die
MehrBestimmte Zufallsvariablen sind von Natur aus normalverteilt. - naturwissenschaftliche Variablen: originär z.b. Intelligenz, Körpergröße, Messfehler
6.6 Normalverteilung Die Normalverteilung kann als das wichtigste Verteilungsmodell der Statistik angesehen werden. Sie wird nach ihrem Entdecker auch Gaußsche Glockenkurve genannt. Die herausragende Stellung
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)
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
MehrSimultane Mehrgleichungssysteme: Parameterschätzung
Simultane Mehrgleichungssysteme: Parameterschätzung Stichwörter: Eigenschaften des OLS-Schätzers Hilfsvariablenschätzer 2SLS limited information Methoden 3SLS FIML full information Methoden o1-21.tex/0
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
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
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
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
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
Mehr2 Aufgaben aus [Teschl, Band 2]
20 2 Aufgaben aus [Teschl, Band 2] 2.1 Kap. 25: Beschreibende Statistik 25.3 Übungsaufgabe 25.3 a i. Arithmetisches Mittel: 10.5 ii. Median: 10.4 iii. Quartile: x 0.25 Y 4 10.1, x 0.75 Y 12 11.1 iv. Varianz:
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
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
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
MehrBeispiel 6 (Einige Aufgaben zur Gleichverteilung)
Beispiel 6 (Einige Aufgaben zur Gleichverteilung) Aufgabe (Anwendung der Chebyshev-Ungleichung) Sei X eine Zufallsvariable mit E(X) = µ und var(x) = σ a) Schätzen Sie die Wahrscheinlichkeit dafür, daß
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
Mehr1. Die gemeinsame Dichtefunktion der Zufallsvariablen X,Y sei. 1 für 0 x 1 und 0 y 1 0 sonst. 1 Volumen über schraffierter Fläche = = 0.
Übungsbeispiele. Die gemeinsame Dichtefunktion der Zufallsvariablen X,Y sei { für und f(,) sonst (a) Skizzieren Sie die Dichtefunktion. f(,) (b) Berechnen Sie P(.5,.75) Lösung:.75 Volumen über schraffierter
Mehrdie wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen
Kapitel 8 Schätzung von Parametern 8.1 Schätzmethoden Gegeben seien Beobachtungen Ü Ü ¾ Ü Ò die wir als Realisationen von unabhängig und identisch verteilten Zufallsvariablen ¾ Ò auffassen. Die Verteilung
MehrWiederholungsübungen zu den Kapiteln 7 bis 11
Mittelwert-Tests Übung Wiederholungsübungen zu den Kapiteln 7 bis 11 In dieser Übung wird der Datensatz 4 verwendet. In dem (fiktiven) Datensatz sind für 50 Personen vier Variablen erfasst: das Geschlecht,
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
MehrSeminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung
M.Sc. Brice Hakwa hakwa@uni-wuppertal.de Seminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung - Zusammenfassung zum Thema: Berechnung von Value-at-Risk
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
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
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
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
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
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrEconometrics Übung 1. CLRM & Verletzung der Unabhängigkeitsannahme
Econometrics Übung 1 CLRM & Verletzung der Unabhängigkeitsannahme CLRM 1. Repetition: Gauss-Markov-Annahmen 2. Beispiel: Income & Consumption Verletzung der Unabhängigkeitsannahme 3. Repetition: Was passiert,
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
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
MehrVerteilungen mehrerer Variablen
Kapitel 3 Verteilungen mehrerer Variablen 3. Eigenschaften von Verteilungen mehrerer Variablen Im allgemeinen muss man Wahrscheinlichkeiten für mehrere Variable, die häufig auch voneinander abhängen, gleichzeitig
MehrVorlesung: Lineare Modelle
Vorlesung: Lineare Modelle Prof Dr Helmut Küchenhoff Institut für Statistik, LMU München SoSe 2014 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
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
MehrKonfirmatorische Faktorenanalyse. Regressionsmodelle für Politikwissenschaftler
Konfirmatorische Faktorenanalyse Regressionsmodelle für Politikwissenschaftler Was ist ein Faktor? Faktor oder latente Variable Regressionsmodelle für Politikwissenschaftler Konfirmatorische Faktorenanalyse
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
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
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
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
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
MehrKapitel 9. Schätzverfahren und Konfidenzintervalle. 9.1 Grundlagen zu Schätzverfahren
Kapitel 9 Schätzverfahren und Konfidenzintervalle 9.1 Grundlagen zu Schätzverfahren Für eine Messreihe x 1,...,x n wird im Folgenden angenommen, dass sie durch n gleiche Zufallsexperimente unabhängig voneinander
MehrBeweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass
Beweis: Mit Hilfe des Satzes von der totalen Wahrscheinlichkeit folgt, dass f Z (z) = Pr[Z = z] = x W X Pr[X + Y = z X = x] Pr[X = x] = x W X Pr[Y = z x] Pr[X = x] = x W X f X (x) f Y (z x). Den Ausdruck
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
Mehr