Ausgewählte Probleme der Ökonometrie
|
|
- Sigrid Walter
- vor 6 Jahren
- Abrufe
Transkript
1 Ausgewählte Probleme der Ökonometrie Bernd Süßmuth IEW Institute für Empirische Wirtschaftsforschung Universität Leipzig November 28, 2011 Bernd Süßmuth (Universität Leipzig) APÖ November 28, / 13
2 Kurzüberblick 1 Wiederholung: Multiples Regressionsmodell 2 Endogenität und IV-Schätzung 3 Modelle für longitudinale Daten (Random- und Fixed-E ects) 4 Box-Jenkins-Ansatz (ARIMA) 5 GARCH-Modelle 6 VAR-Modelle und Impulsantwortfunktion 7 Fehlerkorrekturmodell Bernd Süßmuth (Universität Leipzig) APÖ November 28, / 13
3 Contents I 1 Klassisches lineares Regressionsmodell 2 Endogenität und IV-Schätzung 3 Modelle für longitudinale Daten: Panel-Modelle 4 Box-Jenkins-Ansatz (ARIMA) Box-Jenkins: Das Wichtigste in Kürze Bernd Süßmuth (Universität Leipzig) APÖ November 28, / 13
4 Additives Unbeobachtetes Komponentenmodell (UKM) Reihe = Saisonkomponente + zyklische Komponente + Trend + Rest bn $ US year Verkaufszahlen des US-Einzelhandels (nach Monaten) Quelle: US Bureau of the Census Bernd Süßmuth (Universität Leipzig) APÖ November 28, / 13
5 Multiplikatives UKM Reihe = Saisonkomponente zyklische Komponente Trend Rest Visuelle Indizien: Volatlität steigt mit steigendem Trend Legt nahe das Modell zu log-linearisieren (mithilfe von ln) ln Reihe = ln Saisonkomponente + ln zyklische Komponente + ln Trend + ln Rest Wir sehen im folgenden von der Saisonkomponente ab Bernd Süßmuth (Universität Leipzig) APÖ November 28, / 13
6 Idealer Bandpass lter: Gain, ptf ( Verstärker ) β (ω) = ( 1 wenn ω1 ω ω 2 0 sonst Bernd Süßmuth (Universität Leipzig) APÖ November 28, / 13
7 Anguläre, ordinäre und Nyquist-Frequenz ω j bezeichnet anguläre (nicht ordinäre) Frequenzen Anguläre Frequenz ω [Radian], ordinäre Frequenz f [Zeit-eh.] Periodenlänge (T ) = 2π ω = 2π 2πf, wobei ω = 2πf, f = ω 2π Frequenz wird auf Abszisse abgetragen entweder für [0; π] od. [0; 0, 5] Warum ist dabei 0,5 der Endwert? I I Weil die höchstmögliche Frequenz die Nyquist-Frequenz ist und die Nyquist-Frequenz hat eine Länge von 2 Perioden Bernd Süßmuth (Universität Leipzig) APÖ November 28, / 13
8 : Grundidee min ey t T t=1 (y t ey t ) 2 + λ [(ey t+1 ey t ) (ey t ey t 1 )] 2 ; [alles. in ln] 1. Summe: Abweichung des Trends ey von Daten y 2. Summe: 2. Trenddi erenz, d.h. Steigungsänderung des Trend Parameter λ gibt die Glätte des Trends an Häu g gewählt: 100 für Jahres, für Quartals-Daten In EViews: hpf (Achtung gibt Trendfunktion, nicht ge ltertes y) Wichtige Bemerkung: I I detrended series gain (DSG) eines HP ist high-pass trend function s gain (TFG) eines HP ist low-pass Bernd Süßmuth (Universität Leipzig) APÖ November 28, / 13
9 : Trendfunktionsgain (TFG) Links: HP für Jahresdaten λ = 100 (durchgezogen), λ = 6.25 (gestrichelt: Ravn/Uhlig-HP); rechts: für Quartalsdaten λ = 1, 600 (Hodrick/Prescott) Randnotiz: Eine nette Eigenschaft des HP-Filters ist, dass wir ihn parallel oder sequentiell geschaltet nutzen können, um einen Bandpass-Filter anzunähern Bernd Süßmuth (Universität Leipzig) APÖ November 28, / 13
10 : Detrended series gain (DSG) Baxter-King lter (band: 6 to 32 quarters) vs. HP(1,600) [black colored line] Bernd Süßmuth (Universität Leipzig) APÖ November 28, / 13
11 Box-Jenkins: Das Wichtigste in Kürze Contents I 1 Klassisches lineares Regressionsmodell 2 Endogenität und IV-Schätzung 3 Modelle für longitudinale Daten: Panel-Modelle 4 Box-Jenkins-Ansatz (ARIMA) Box-Jenkins: Das Wichtigste in Kürze Bernd Süßmuth (Universität Leipzig) APÖ November 28, / 13
12 Box-Jenkins: Das Wichtigste in Kürze Zentrale Schritte des Box-Jenkins-Ansatzes: Schritt 1 Transformieren der Daten zu kovarianzstationärem Prozess Schritt 2 ARMA-Prozess mögl. niedriger Ordnung anpassen (Prinzip der Parsimonität) Schritt 3 Schätzen der Parameter des Prozesses Schritt 4 Prüfen, ob der geschätzte Prozess die Daten gut beschreibt Schritt 5 Geht Schritt 4 OK, vorhersagen; sonst zurück zu Schritt 2 Üblicherweise beinhaltet der Ansatz auch stochastische Trends (ARIMA-Modelle) Schritt 4 erfolgt normalerweise mithilfe der ACF. Die Ordnung der ARMA -Modelle wird in der Regel auf Basis von Informationskriterien gewählt (AIC, BIC). Bernd Süßmuth (Universität Leipzig) APÖ November 28, / 13
13 Box-Jenkins: Das Wichtigste in Kürze ACF/PACF geben Aufschluss, welches Modell ein guter Start-Ansatz ist ARMA(p, q) % & ACF fällt (exp oder sinusartig) beginnend am Lag q PACF fällt (exp oder sinusartig) beginnend am Lag p Bernd Süßmuth (Universität Leipzig) APÖ November 28, / 13
14 ARIMA Spezi kation ADF Test HP Filter Korrelogramm ARMA Spektrum Korrelogramm Die Autokorrelationsfunktion (ACF) ist de niert als die Abfolge der Autokorrelationskoe zienten k = P T k t=k+1 = (y t k y)(y t y) P T 0 t=1 (y t y) 2 Die partielle Autokorrelationsfunktion (PACF) gibt die verbleibende Korrelation der Zeitreihe mit ihrem Lag k an, nachdem der " E ekt" der Lags 1; :::; k 1 bereits herausgerechnet wurde. Berechnung: ^ k eines AR(k)-Modells.
15 ARIMA Spezi kation ADF Test HP Filter Korrelogramm ARMA Spektrum Korrelogramm Eine idealtypische AR(p)-Zeitreihe weist p signi kante Lags in der PACF auf (und hat viele Ausschläge in der ACF). Eine idealtypische MA(q)-Zeitreihe weist q signi kante Lags in der ACF auf (und hat viele Ausschläge in der PACF). Idealtypisches weißes Rauschen hat keine signi kanten Ausschläge in ACF oder PACF. Bei einem Random Walk Prozess fällt sie ACF nur sehr langsam von 1 ab (hängt von Stichprobenumfang ab).
16 ARIMA Spezi kation ADF Test HP Filter Korrelogramm ARMA Spektrum Korrelogramm Weißes Rauschen hat (näherungsweise) k = 0 8k > 0. Ljung-Box Teststatistik: mx Q = T(T + 2) T k=1 1 k ^2 k Bei weißem Rauschen gilt: Q 2 m ARMA-Residuen sollten keine signi kante Q-Statitistik aufweisen.
17 ARIMA Spezi kation ADF Test HP Filter Korrelogramm ARMA Spektrum ARMA Spektrum Die Spektraldichte gibt auf Basis der Autokorrelationsstruktur an, welchen relativen Beitrag Schwingungen verschiedener Frequenzen zur gesamten Varianz der Zeitreihe liefern. ARMA Modelle implizieren auch Autokorrelationen, die in die Spektraldichte f umgerechnet werden können. f () = j 1 P q h=1 h expfi2hg j P 2 j 1 p j=1 j expfi2jg j 2 Frequenz 2 [0; 0:5] i Imaginäre Zahl p 1 Achtung: In EViews werden die Frequenzen im Bereich [0; ] angegeben. Nach Division durch 2 ist die Frequenz als Zahl der Zyklen pro Beobachtungsperiode zu interpretieren.
Ausgewählte Probleme der Ökonometrie
Ausgewählte Probleme der Ökonometrie Bernd Süßmuth IEW Institute für Empirische Wirtschaftsforschung Universität Leipzig October 16, 2012 Bernd Süßmuth (Universität Leipzig) APÖ October 16, 2012 1 / 13
MehrStochastische Prozesse und Box-Jenkins Technik
Stochastische Prozesse und Box-Jenkins Technik Stichwörter: AR-, MA- und ARMA-Prozeß weißes Rauschen random walk Autokorrelations-Funktion Stationarität Invertierbarkeit Korrelogramm Box-Jenkins Technik
MehrGewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h
5. Die partielle Autokorrelationsfunktion 5.1 Definition, Berechnung, Schätzung Bisher: Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h ρ X (h) = Corr(X t, X
MehrAusgewählte Probleme der Ökonometrie
Ausgewählte Probleme der Ökonometrie Bernd Süßmuth IEW Institute für Empirische Wirtschaftsforschung Universität Leipzig October 16, 2012 Bernd Süßmuth (Universität Leipzig) APÖ October 16, 2012 1 / 31
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
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
MehrZeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe
Mehr6. Statistische Schätzung von ARIMA Modellen
6. Statistische Schätzung von ARIMA Modellen Vorschau: ARIMA Modelle Modellidentifikation verschiedene Schätzverfahren Modelldiagnostik Fallstudien Zeitreihenanalyse 1 6.1 ARIMA Modelle Bisher: ARMA(p,q)-Modelle:
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
MehrZeitreihenanalyse. Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation
Zeitreihenanalyse Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation Beispiel für Zeitreihe Andere Anwendungen Inventarmanagment Produktionsplanung
Mehr6. Schätzung stationärer ARMA-Modelle
6. Schätzung stationärer ARMA-Modelle Problemstellung: Statistische Anpassung eines stationären ARMA(p, q)-prozesses an eine Stichprobe von t = 1,..., T Prozessbeobachtungen Es bezeichne x 1,..., x T die
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
Mehr2 Stationarität. Strikte Stationarität
2 Stationarität. Strikte Stationarität Die in 1 benutzten Begriffe sind noch zu präzisieren : Definition 2.1. a) Ein stochastischer Prozess {X t } t T heißt strikt stationär, falls für je endlich viele
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...
MehrKompaktskript zur Vorlesung Prognoseverfahren
Kompaktskript zur Vorlesung Prognoseverfahren Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
MehrModul: Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung. Leseprobe
Prof. Dr. Hermann Singer Modul: 32681 Zeitreihenanalyse und Anwendungen in der empirischen Kapitalmarktforschung Kurs: 00889 Version vom 10/2004 Überarbeitet am 10/2015 Leseprobe Inhaltsverzeichnis 1 Überblick
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
MehrZerlegung von Zeitreihen
Kapitel 7 Zerlegung von Zeitreihen Josef Leydold c 2006 Mathematische Methoden VII Zerlegung von Zeitreihen 1 / 39 Lernziele Klassische Zerlegung von Zeitreihen Saisonbereinigungsverfahren: Gleitende Durchschnitte
MehrZeitreihenanalyse. 1 Einleitung. 2 Autoregressive Prozesse, lineare Differenzengleichungen
Zeitreihenanalyse Enno MAMMEN Department of Economics, University of Mannheim L7, 3-5, 68131 Mannheim, Germany E mail: emammen@rumms.uni-mannheim.de February 22, 2006 1 Einleitung Klassisches Komponentenmodell,
MehrDynamische Systeme und Zeitreihenanalyse // Saisonbereinigung und Glättung 10 p.2/??
Dynamische Systeme und Zeitreihenanalyse Saisonbereinigung und Glättung Kapitel 10 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Saisonbereinigung und Glättung
MehrDynamische Modelle: Stabilität und Interpretation
1 / 25 Dynamische Modelle: Stabilität und Interpretation Kapitel 17 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 25 Inhalt Kurz- und langfristige Effekte Einmalige Änderung in X Permanente
MehrHauptseminar Technische Informationssysteme
Hauptseminar Technische Informationssysteme Residualanalyse zur Fehlerlokalisierung und prädikativen Steuerung Vortragender: Betreuer: Tobias Fechter Dr.-Ing. Heinz-Dieter Ribbecke, Dipl.-Inf. Jakob Krause
Mehr[ 1 ] Welche der folgenden Aussagen sind WAHR? Kreuzen Sie sie an.
13 Zeitreihenanalyse 1 Kapitel 13: Zeitreihenanalyse A: Übungsaufgaben: [ 1 ] 1 a a) Nach der Formel x t+i berechnet man einen ein f achen gleitenden Durchschnitt. 2a + 1 i= a b) Die Residuale berechnet
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrFolien zur Vorlesung. Zeitreihenanalyse (Time Series Analysis)
Folien zur Vorlesung Zeitreihenanalyse (Time Series Analysis) Wintersemester 2014/2015 Mittwoch 14.00 15.30 Uhr Hörsaal: J 498 Prof. Dr. Bernd Wilfling Westfälische Wilhelms-Universität Münster Inhalt
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,
MehrTrend, Zyklus und Zufall
Rainer Metz Trend, Zyklus und Zufall Bestimmungsgründe und Verlaufsformen langfristiger Wachstumsschwankungen Franz Steiner Verlag INHALTSVERZEICHNIS Vorwort Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis
MehrKapitel 9. ARMA Modelle. Stationäre und nicht-stationäre Prozesse: White noise und random walk. ARMA: Autoregressive moving average Modelle
Kapitel 9 ARMA Modelle Josef Leydold c 2006 Mathematische Methoden IX ARMA Modelle 1 / 65 Lernziele Stationäre und nicht-stationäre Prozesse: White noise und random walk ARMA: Autoregressive moving average
MehrHauptseminar Technische Informationssysteme
Hauptseminar Technische Informationssysteme Thema: Vergleich verschiedener Prognosestrategien von Tobias Fochtmann Betreuer: Dr. Ribbecke 24.01.2008 Gliederung I. Einleitung II. Prognose allgemein und
MehrZeitreihenökonometrie
Zeitreihenökonometrie Kapitel 11 - Filterverfahren Unterscheidung zwischen Wachstum und Konjunktur Wachstum: langfristige Entwicklung des Bruttoinlandsproduktes bei voller oder normaler Auslastung der
Mehracf(y) pacf(y) Series y Series y Index ACF Lag Partial ACF Lag
Aufgabe 47: Parameterschätzung und Modellwahl im ARMA-Modell (Software) Analysieren Sie die in der Datei aufgabe47.txt gegebene Zeitreihe (y t ), t = 1,..., 100. Nehmen Sie an, dass diese Realisation eines
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
Mehr3. ARMA-Modelle. Jetzt: Wichtigste Modellklasse für stationäre Prozesse
3. ARMA-Modelle Jetzt: Wichtigste Modellklasse für stationäre Prozesse Definition 3.1: (ARMA(p, q)-prozess) Gegeben sei das Weiße Rauschen {ɛ t } t Z WR(0, σ 2 ). Der Prozess {X t } t Z heißt AutoRegressiver-Moving-Average-Prozess
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
MehrDynamische Modelle: Schätzen und Modellwahl
1 / 23 Dynamische Modelle: Schätzen und Modellwahl Kapitel 18 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 23 Inhalt Dynamische Modelle und autokorrelierte Fehler Tests auf Autokorrelation
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
MehrAnalyse eines Forschungsthemas Franziska Ressel
Analyse eines Forschungsthemas Franziska Ressel - 14.03.2017 Motivation Ähnliches Verhalten in Vorsaison Einzelne Zeitscheiben Parameterschätzung und Modellerstellung 2 Modell Prognose 3 Fenster vergrößern
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
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
MehrInhaltsverzeichnis 1 SPSS Statistics 2 SPSS Datenmanagement 3 Verteilungsanalyse
VII 1 SPSS Statistics... 1 1.1 Wofür steht SPSS?... 2 1.2 SPSS starten und beenden... 3 1.3 SPSS Editoren und SPSS Viewer... 5 SPSS Dateneditor... 5 SPSS Viewer... 6 SPSS Pivot-Tabellen-Editor... 7 SPSS
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
MehrKapitel 5. Prognose. Zeitreihenanalyse wird aus drei Gründen betrieben: Beschreibung des Verlaufs von Zeitreihen.
Kapitel 5 Prognose Josef Leydold c 2006 Mathematische Methoden V Prognose 1 / 14 Lernziele Aufgabe der Prognose Problemtypen Ablauf einer Prognoseaufgabe Zeitreihe Josef Leydold c 2006 Mathematische Methoden
MehrMA Projekt: Langfristige Kapitalmarktsimulation
MA Projekt: Langfristige Kapitalmarktsimulation Einführung in die Zeitreihenanalyse Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen
Mehr6.4 Kointegration Definition
6.4 Kointegration 6.4.1 Definition Nach Engle und Granger (1987): Wenn zwei oder mehrere Variablen I(1) sind, eine Linearkombination davon jedoch I() ist, dann sind die Variablen kointegriert. Allgemein:
Mehr6. Das klassische Komponentenmodell. 6. Das klassische Komponentenmodell. 6. Das klassische Komponentenmodell. 6. Das klassische Komponentenmodell
6. Das klassische Komponentenmodell Gegeben sei eine ZR x t für die Zeitpunkte t = 1,..., T. Im additiven klassischen Komponentenmodell wird sie folgendermaßen zerlegt: x t = ˆm t + ŝ t + ε t ˆm t ist
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.
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 6.. Herleitung des OLS-Schätzers
MehrDefinition und Beispiele. Lineare Prozesse. Kausalität und Invertierbarkeit. Berechnung der Autokovarianzfunktion. Prognosen in ARMA-Modellen
Kap. 2: ARMA-Prozesse Definition und Beispiele Lineare Prozesse Kausalität und Invertierbarkeit Berechnung der Autokovarianzfunktion Prognosen in ARMA-Modellen Wold-Darstellung 2.1 Definition und Beispiele
MehrInhalt. I. Deskriptive Statistik Einführung Die Grundgesamtheit Merkmale und Verteilungen Tabellen und Grafiken...
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Die Grundgesamtheit......................... 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................ 10
MehrHauptseminar zum Thema:
Fakultät Informatik Institut für angewandte Informatik Professur Technische Informationssysteme Hauptseminar zum Thema: Vergleich ARCH- und GARCH- Modelle bei der Analyse von Zeitreihen mit veränderlichen
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
MehrZeitreihenanalyse Das klassische Komponentenmodell
Zeitreihenanalyse Das klassische Komponentenmodell Worum geht es in diesem Lernmodul? Zeitreihen mit unterschiedlichen Charakteristika Zeitreihen mit regelmäßigen Schwankungen Mittel und Niveau einer Zeitreihe
MehrIntermediate Macroeconomics: Übungsveranstaltung
Ziele der Übungsveranstaltung Umgang mit Daten, insbesondere Zeitreihen Intermediate Macroeconomics: Übungsveranstaltung MS Excel verwenden, einfache Datentransformationen und Berechnungen durchführen
MehrDynamische Systeme und Zeitreihenanalyse // Autoregressive moving average Modelle 12 p.2/??
Dynamische Systeme und Zeitreihenanalyse Autoregressive moving average Modelle Kapitel 12 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Autoregressive moving
MehrMakroökonomie: Übung 1
Makroökonomie: Übung 1 3.5.2010 1 Ziele der Übung Umgang mit Daten MS Excel verwenden Ergebnisse interpretieren Konzepte aus der Vorlesung anwenden 2 Aufgabe 2 Logarithmierte Zeitreihen Einen Ordner auf
MehrWas sind Zeitreihen? Software. Literatur. Überblick. Beispiele. Grundbegriffe
Kap. 1: Einführung Was sind Zeitreihen? Software Literatur Überblick Beispiele Grundbegriffe 1.1 Was sind Zeitreihen? Datentypen in der Ökonometrie: Querschnittsdaten Beispiel: Daten für 5 000 Haushalte
MehrAktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 2004) Forecasts und Evaluation
Aktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 24) Forecasts und Evaluation 1. Daten...2 2. Dynamische Forecasts...4 2.1 Exponential Smoothing...4 2.1.1 Double Exponential Smoothing...4 2.1.2 Holt-Winters...5
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. 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)
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
MehrSAS Forecast Server. Copyright 2005, SAS Institute Inc. All rights reserved.
SAS Forecast Server Eine neue Lösung für automatisierte Prognosen bei großen Datenmengen Stefan Ahrens Competence Center Analytic Intelligence SAS Deutschland Copyright 2005, SAS Institute Inc. All rights
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
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
MehrVorlesung: Lineare Modelle. Verschiedene Typen von Residuen. Probleme bei der Regression und Diagnose. Prof. Dr. Helmut Küchenhoff.
Vorlesung: Lineare Modelle Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München SoSe 205 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen.
MehrEmpirisches Projekt: FOREX-Daten mit ARIMA-Modell UK Angewandte Ökonometrie Clemens Holzkorn. Clemens Holzkorn 1
Empirisches Projekt: FOREX-Daten mit ARIMA-Modell UK 040121 Angewandte Ökonometrie 05.05.2016 Clemens Holzkorn Clemens Holzkorn 1 Inhalt Vorwort... 3 Zeitreiheneigenschaften und Stationarität (FRED-Daten)...
MehrMethoden der Ökonometrie
Dr. Matthias Opnger Lehrstuhl für Finanzwissenschaft WS 2013/14 Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 1 / 21 Dr. Matthias Opnger Büro: C 504 Sprechzeit: nach Vereinbarung E-Mail: opnger@uni-trier.de
MehrExcel-Anleitung zur Übung 1. Formeln in Excel (Auszug aus der MS Excel Hilfe)
Excel-Anleitung zur Übung 1 Diese Unterlage bezieht sich auf Excel 2003 (auf Deutsch), die Version, die auch im PC-Labor des WWZ zur Verfügung steht. Die Benutzeroberfläche kann in anderen Versionen der
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
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
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
MehrStochastische Prozesse in der Zeitreihenanalyse
Stochastische in der Zeitreihenanalyse Mike Hüftle 31. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1 Stochastische und Zeitreihenanalyse........... 2 1.2 Zeitreihenanalyse...........................
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
MehrKurs 9.3: Forschungsmethoden II
MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 5: Trends und Unit-Root-Test / ARIMA-Modelle November 214 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Ziele 5 Trend 6 ARIMA-Modell
MehrEinführung in die Ökonometrie
Einführung in die Ökonometrie Peter Hackl ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Vorwort... 19 1 Einführung...
MehrKapitel 2.1: Die stochastische Sicht auf Signale Georg Dorffner 67
Kapitel 2.1: Die stochastische Sicht auf Signale 215 Georg Dorffner 67 Stochastische Prozesse Stochastische Prozesse sind von Zufall geprägte Zeitreihen x n f x, n 1 xn2,... n vorhersagbarer Teil, Signal
MehrBeispiel für Varianzanalyse in multipler Regression mit zwei erklärenden Variablen
4. Multiple Regression Ökonometrie I - Peter Stalder 1 Beispiel für Varianzanalyse in multipler Regression mit zwei erklärenden Variablen Hypothese: Die Inflation hängt positiv von der Inflation im Vorjahr
MehrVAR- und VEC-Modelle. Kapitel 22. Angewandte Ökonometrie / Ökonometrie III Michael Hauser
1 / 42 VAR- und VEC-Modelle Kapitel 22 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 42 Inhalt VAR-Modelle, vector autoregressions VARX in Standardform und Strukturform VAR: Schätzung in
Mehr1 Gliederung Zeitreihenökonometrie. Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09. Dr. Sylvia Kaufmann.
Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09 Dr Sylvia Kaufmann Februar 2009 Angewandte Ökonometrie, Sylvia Kaufmann, FS09 1 1 Gliederung Zeitreihenökonometrie Einführung
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
MehrStatistik II. I. Einführung. Martin Huber
Statistik II I. Einführung Martin Huber 1 / 24 Übersicht Inhalt des Kurses Erste Schritte in der empirischen Analyse 2 / 24 Inhalt 1 Einführung 2 Univariates lineares Regressionsmodell 3 Multivariates
MehrVorlesung 3: Schätzverfahren
Vorlesung 3: Schätzverfahren 1. Beispiel: General Social Survey 1978 2. Auswahl einer Zufallsstichprobe und Illustration des Stichprobenfehlers 3. Stichprobenverteilung eines Regressionskoeffizienten 4.
MehrSignalanalyse mit Wavelets
Signalanalyse mit Wavelets Ausführung basieren auf Wavelet Methods for Time Series Analysis (WMTSA) Donald B. Percival and Andrew T. Walden, Cambridge University Press, 2000. 1 Orthonormale Transformation
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
MehrEinführung in die Ökonometrie
Peter Hackl Einführung in die Ökonometrie 2., aktualisierte Auflage Higher Education München Harlow Amsterdam Madrid Boston San Francisco Don Mills Mexico City Sydney a part of Pearson plc worldwide Einführung
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
MehrStochastische Prozesse und Zeitreihenmodelle
Kapitel 12 Stochastische Prozesse und Zeitreihenmodelle Department of Statistics and Mathematics WU Wien c 2008 Statistik 12 Stochastische Prozesse und Zeitreihenmodelle 0 / 53 Inhalt Notation Zusammenhang
Mehr7. Integrierte Prozesse
7. Integrierte Prozesse Bisher: Behandlung stationärer Prozesse (stationäre ARMA(p, q)-prozesse) Problem: Viele ökonomische Zeitreihen weisen im Zeitverlauf ein nichtstationäres Verhalten auf 225 Beispiel:
MehrAnalyse von Zeitreihen mit EViews
Prof. Dr. Peter von der Lippe, Uni DUE Campus Duisburg Download G Analyse von Zeitreihen mit EViews Diese Übung zeigt anhand einer (nur einer!!) Zeitreihe, wie man wichtige Methoden der Zeitreihenanalyse
MehrZeitreihenanalyse Das Holt-Winters-Verfahren
Zeitreihenanalyse Das Holt-Winters-Verfahren Worum geht es in diesem Lernmodul? Einleitung Modellannahmen Die Prognoseformel des Holt-Winters-Verfahren Die Glättungskoeffizienten Die Startwerte Weiterführende
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
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
MehrFinanzmarktökonometrie: Zeitreihenanalyse Sommersemester 2010 Dr. Martin Becker
Wirtscaftswissenscaftlices Prüfungssekretariat Diplomprüfung Finanzmarktökonometrie: Zeitreienanalyse Sommersemester 2010 Dr. Martin Becker Name, Vorname: Matrikelnummer: B i t t e b e a c t e n S i e
MehrKlausur zur Veranstaltung Empirische Wirtschaftspolitik
Seite 1 von 10 Prof. Frank Westermann, Ph.D. Fachgebiet Internationale Wirtschaftspolitik Rolandstraße 8, 49069 Osnabrück Klausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2014/2015
MehrComputergrafik 2: Übung 6. Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter
Computergrafik : Übung 6 Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter Quiz Warum Filtern im Frequenzraum? Ideales Tiefpassfilter? Parameter? Eigenschaften? Butterworth-Filter?
MehrÜbungsscheinklausur,
Mathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 27 Prof. Dr. F. Liese Übungsscheinklausur, 3.7.27 Dipl.-Math. M. Helwich Name:...
MehrSPEZIALGEBIETE: ÖKONOMETRIE
SPEZIALGEBIETE: ÖKONOMETRIE Lehrstuhl Ökonometrie und Statistik Technische Universität Dortmund Studienjahr 2016/17 28. Juni 2016 1 / 16 Übersicht Sicher sind nur: Zeitreihenanalyse (WS 2016/17) und Ökonometrie
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrBildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17
Bildverarbeitung: Filterung D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Allgemeines Klassische Anwendung: Entrauschung (Fast) jeder Filter basiert auf einem Modell (Annahme): Signal + Rauschen
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
Mehr