16.1 OLS-Schätzung eines Mehrgleichungssystems
|
|
- Ilse Rosenberg
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 16 Mehrgleichungsmodelle & SUR-Schätzung ( Seemingly Unrelated Regression 161 OLS-Schätzung eines Mehrgleichungssystems Bisher haben wir uns nur mit der Schätzung einzelner Gleichungen sowie mit entsprechenden Tests beschäftigt Tatsächlich sind gerade in ökonomischen Systemen die Zusammenhänge häufig von komplexerer Natur, sodass sie in einer einzelnen Gleichung oft nicht mehr adäquat abgebildet werden können, selbst für die Beschreibung des einfachsten Marktmodells werden schon mindestens zwei interdependente Gleichungen benötigt Im folgenden Kapitel werden wir aber noch keine echte Simulatanität berücksichtigen, sondern uns auf die einfachste Art von Mehrgleichungsmodellen beschränken Konkret werden wir in diesem Kapitel noch keine endogenen Variablen auf der rechten Seite der Gleichungen zulassen, sondern nur eine Abhängigkeit der Gleichungen untereinander über die Störterme Dies vereinfacht die Analyse beträchtlich und erlaubt ua auch einen einfachen Einstieg in komplexere Modelle Tatsächlich sind diese einfacheren Modelle aber auch von einiger praktischen Relevanz In diesem Abschnitt werden wir zuerst zeigen, wie auch Mehrgleichungssysteme in Matrixschreibweise angeschrieben und in mit einer einzigen OLS Regression geschätzt werden können Im nächsten Abschnitt über die SUR Schätzung werden wir zeigen, wie diese Methode einfach erweitert werden kann, um zusätzliche Interdependenz der Störterme zwischen den Gleichungen zuzulassen Ein Beispiel für eine solche Interdependenz der Störterme zwischen den Gleichungen sind die Faktornachfragen von Firmen Die bedingten Faktornachfragen einer Firma hängen von den Faktorpreisen und dem produzierten Output ab Auch wenn die Faktornachfrage einer Firma nicht unmittelbar von der Faktornachfrage anderer Firmen abhängt, so werden doch die Störterme der Faktornachfragefunktionen einzelner Firma zb aufgrund fehlender Variablen ( ommitted variables, wie zb Konjunktureinflüsse häufig miteinander korreliert sein 1
2 Empirische Wirtschaftsforschung Ein klassischer Datensatz für solche Faktornachfragefunktionen geht auf Grunfeld zurück, der sich bereits vor einem halben Jahrhundert mit der Investitionsnachfrage von Firmen beschäftigte, siehe Kleiber and Zeileis (010 Aufgrund theoretischer Überlegungen erwartete er, dass die Investitionsnachfrage I it einer Firma i zum Zeitpunkt t von den erwarteten Gewinnen und dem gewünschten (optimalen Kapitalstock abhängt Da diese beiden Variablen nicht direkt beobachtbar sind verwendete Grunfeld als Proxyvariable fürdie Gewinnerwartungen den Marktwert der Firma V it und als Proxyvariable für den optimalen Kapitalstock den realisierten Kapitalstock zu Beginn der Peride K it (für nähere Details siehe zb Griffiths et al, 1993, 543ff Der Grunfeld Datensatz enthält ein Panel mit drei Variablen (I,V,K für 0 Zeitperioden ( und für 10 Firmen, wobei wir uns hier auf die zwei Firmen General Electric (GE und Westinghouse beschränken Wir könnten zb die Investitionsnachfrage für beide Firmen einzeln schätzen, wobei wir für General Electric den Index 1 und für Westinghouse den Index verwenden I 1t β 11 +β 1 V 1t +β 13 K 1t +ε 1t I t β 1 +β V t +β 3 K t +ε t Diese zwei Gleichungen können (wenn die Gauss-Markov Annahmen erfüllt sind effizient mit OLS geschätzt werden Damit unterstellen wir implizit, dass sich die β s der zwei Firmen unterscheiden können, aber dass die β s beider Firmen über die Zeit konstant sind Wir könnten auch andere Annahmen treffen, zb dass sich die β s zwischen den Firmen und zwischen den Zeitperioden t unterscheiden können Dies würden wir etwas allgemeiner folgendermaßen anschreiben y it β it,1 +β it, x it, +β it,3 x it,3 +ε it wobei i das Individuum (zb GE oder Westinghouse und t die Zeitperiode (t 1,,0 bezeichnet Die letzte Gleichung impliziert, dass für jede Firma i und für jede Zeitperiode t unterschiedliche Koeffizienten zugelassen werden Man beachte, dass diese Gleichung in dieser Form nicht geschätzt werden kann, da sie mehr zu schätzende Parameter als Beobachtungen enthält Für eine Schätzung müssen vereinfachende Annahmen getroffen werden, und die radikalste Annahme ist, dass sich Koeffizienten weder zwischen den Firmen noch in der Zeit unterscheiden, also alle Firmen zu jeder Zeitperiode die gleichen βs haben β it,1 β 1, β it, β, β it,3 β 3 mit E(ε it 0, var(ε it σ, cov(ε it,ε js 0 Man nennt dieses Modell gepoolt, und dieses Modell kann sehr einfach mit OLS geschätzt werden, sofern die entsprechenden Annahmen erfüllt sind Dazu werden
3 Empirische Wirtschaftsforschung 3 die Variablen einfach aufeinander gestapelt ( stacked, zb I 1,1 β 1 +β V 1,1 +β 3 K 1,1 +ε 1,1 I 1, β 1 +β V 1, +β 3 K 1, +ε 1, I 1,0 β 1 +β V 1,0 +β 3 K 1,0 +ε 1,0 I,1 β 1 +β V,1 +β 3 K,1 +ε,1 I, β 1 +β V, +β 3 K, +ε, I,0 β 1 +β V,0 +β 3 K,0 +ε,0 und auf diese gestapelten Daten wird der übliche OLS Schätzer angewandt Für die gepoolten Grunfeld Daten erhält man Dependent Variable: INV Method: Least Squares Included observations: 40 Variable Coefficient Std Error t-stat Prob C β V β K β R-squared Log likelihood Adjusted R-squared Akaike info criterion SE of regression Schwarz criterion Sum squared resid F-statistic Durbin-Watson Stat Prob(F-statistic Ob die Parameter tatsächlich für beide Firmen (bzw über alle Individuen gleich sind kann zb mit einem einfachen F-Test überprüft werden (das nicht restringierte Modell sind zwei getrennte Gleichungen für die Firmen, und das restringierte Modell ist das obige gepoolte Modell Eine etwas weniger restriktive Annahme ist bzw mit für i j und t s β it,1 β i,1, β it, β i,, β it,3 β i,3 y it β i,1 +β i, x it, +β i,3 x it,3 +ε it E(ε it 0, var(ε it σ i, cov(ε it,ε is cov(ε it,ε jt 0 Das bedeutet, wir nehmen weiterhin an, dass alle Koeffizienten über die Zeit konstant sind, aber wir lassen zu, dass sie sich zwischen den Firmen unterscheiden Das ist genau das Modell, das wir Anfangs erwähnt haben, und die einfachste Möglichkeit dieses Modell zu schätzen besteht darin, eine eigene OLS-Regressionen für jede der beiden Firmen zu schätzen
4 Empirische Wirtschaftsforschung 4 In Matrixnotation y 1 X 1 β 1 +ε 1 y X β +ε wobei im Grunfeld Beispiel y 1 ein T 1 Vektor mit den Investitionen von GE, X 1 eine T 3 Matrix mit den erklärenden Variablen (inklusive konstantem Term und β 1 ein 3 1 Vektor für GE ist (für Westinghouse gilt entsprechendes Wenn ε 1 N(0,σ 1 I T ε N(0,σ I T können diese Gleichungen einzeln mit OLS geschätzt werden Man erhält für GE Dependent Variable: I1 Method: Least Squares Included observations: 0 ˆβ 1 (X 1X 1 1 X 1y 1 ˆβ (X X 1 X y Variable Coefficient Std Error t-stat Prob C β V1 β K1 β R-squared 0705 Log likelihood Adjusted R-squared 0671 Akaike info criterion 9631 SE of regression 7883 Schwarz criterion 9781 Sum squared resid F-statistic 0344 Durbin-Watson Stat 107 Prob(F-statistic 0000 und für Westinghouse Dependent Variable: I Method: Least Squares Included observations: 0 Variable Coefficient Std Error t-stat Prob C β V β K β R-squared 0744 Log likelihood -737 Adjusted R-squared 0714 Akaike info criterion 763 SE of regression 1013 Schwarz criterion 777 Sum squared resid F-statistic 4761 Durbin-Watson Stat 1413 Prob(F-statistic 0000
5 Empirische Wirtschaftsforschung 5 Man beachte, dass dabei keine Interdependenz zwischen den Gleichungen angenommen wird Eine alternative und für das folgende wichtige Art diese beiden Gleichungen zu schätzen ist die Daten entsprechend zu stapeln ( stacken Damit können mit einer einzigen OLS-Schätzung alle Parameter des Modells unabhängig geschätzt werden Für die Grunfeld Daten schreiben wir dazu die beiden vorhergehenden Gleichungen folgendermaßen in Matrixschreibweise an ( I1 I β 11 ( β 1 ı V1 K β ı V K β 1 + β β 3 wobei ı einen Einsen-Vektor für das Interzept bezeichnet Wenn wir für (ı V i K i X i schreiben und unter Verwendung partitionierter Matrizen können wir dies wieder kürzer schreiben ( ( ( ( y1 X1 0 β1 ε1 + y 0 X wobei wir für die OLS-Schätzung annehmen müssen, dass die Störterme der beiden Firmen nicht miteinander korreliert sind, dh ( [( ( ] ε1 0 σ N, 1 I T 0 ε 0 0 σi T β ε ( ε1 ε das heißt, dass die Varianz-Kovarianzmatrix W der Störterme ε 1 und ε W E(εε E [( ε1 ε (ε 1 ] ε ( E(ε1 ε 1 E(ε 1ε ( σ E(ε ε 1 E(ε ε 1 I T 0 0 σi T Dieses Modell kann auch als Einzelgleichungsmodell mit gruppenweiser (dh firmenspezifischer Heteroskedastizität angeschrieben werden Wir definieren y ( y1 y y 11 y 1 y 1T y 1 y y T, β ( β1 β β 11 β 1 β 13 β 1, ε β β 3 ( ε1 ε ε 11 ε 1 wobei y it die Beobachtung für Firma i und Zeitpunkt t ist, während β hi der Koeffizient der x-variable h von Firma i ist ε 1T ε 1 ε ε T
6 Empirische Wirtschaftsforschung 6 x 111 x 11 x 113 x 11 x 1 x 13 ( X1 0 X x 1T1 x 1T x 1T3 0 X 0 0 x 11 x 1 x 13 x 1 x x 3 x T1 x T x T3 Die Reihenfolge der drei Subindizes ist Individuum i, Zeit t und Variable h, dh x,5,3 bezeichnet zb die Beobachtung des Individuums zum Zeitpunkt 5 der 3 Variable In kompakter Matrixschreibweise ist dies wieder und y Xβ +ε [ ( ] σ ε N 0, 1 I T 0 0 σi T Wenn σ1 σ kann dieses Modell ganz normal mit OLS geschätzt werden Man beachte, dass dieses Modell auch mit Hilfe von Dummy-Variablen geschätzt werden kann y t β 01 +δ 0 D t +β 11 x 1t +δ 1 D t x 1t +β 1 x t +δ D t x t +ε t wobei die Dummy-Variable D t zb für die erste Firma den Wert Null und für die zweite Firma den Wert Eins annimmt Wenn σ1 σ kann es mit GLS (Generalized Least Squares geschätzt werden Der GLS Schätzer ist ˆβ GLS (X W 1 X 1 X W 1 y mit W var(ε E(εε und der Varianz-Kovarianzmatrix von ˆβ GLS var (ˆβGLS (X W 1 X 1 Wenn die Varianz-Kovarianzmatrix W eine blockdiagonale Form hat erhalten wir
7 Empirische Wirtschaftsforschung 7 auch mit GLS wieder den OLS Schätzer ˆβ GLS (X W 1 X 1 X W 1 y [ (X1 ( 0 σ 1 ( ] 1 1 I T 0 X1 0 0 X 0 σi T 0 X ( ( X1 0 σ 1 ( 1 I T 0 y1 0 X 0 σ I T y σ1(x 1 X 1 ( σ1(x 1 y 1 0 σ(x X 1 σ(x y ( 1 ( (X 1 X 1 1 X 1 y 1 (X X 1 X y (ˆβ1 ˆβ ˆβ OLS Wenn die Störterme der einzelnen Gleichungen untereinander unkorreliert sind führt die Anwendung des GLS-Schätzers auf das Gleichungssystem also wieder zum exakt gleichen Ergebnis wie die Anwendung des OLS-Schätzers auf die beiden einzelnen Gleichungen Aber natürlich werden sich die OLS Standardfehler von den GLS Standardfehlern unterscheiden Der GLS-Schätzer ist in EViews unter den Systemschätzverfahren unter Weighted LS (Cross Equation Weighting verfügbar Obwohl damit die Effizienz dieser Systemschätzung gegenüber den OLS-Schätzungen nicht erhöht werden kann ist es manchmal praktisch, wenn man Restriktionen über verschiedene Gleichungen implementieren will Außerdem ist es ein guter Ausgangspunkt für ein allgemeineres statistisches Modell Wenn hingegen die Störterme der einzelnen Gleichungen untereinander korreliert sind kann die Effizienz der Schätzung durch Berücksichtigung dieser Information erhöht werden Genau dies passiert bei der SUR-Schätzung 16 Das SUR Modell Das Seemingly Unrelated Regressions Modell geht auf den bekannten Ökonometriker A Zellner zurück und wird deshalb auch manchmal Zellner-Schätzer genannt Wir haben bisher angenommen, dass der Störterm ε 1 von General Electric nicht mit dem Störterm ε von Westinghouse korreliert ist, σ 1 σ 1 0 Bekanntlich sieht die Realität häufig anders aus, da zb nicht berücksichtigte Variablen (zb Zinssätze in den Störtermen ihren Niederschlag finden Es ist deshalb sehr plausibel zu vermuten, dass die Störterme zwischen den Gleichungen korreliert sein werden Die Berücksichtigung einer solchen Korrelation sofern sie in der Grundgesamtheit tatsächlich vorhanden ist wird deshalb die Effizienz der Schätzung erhöhen Bisher haben wir angenommen, dass [( ε1 (ε W E ε 1ε ] ( ( E(ε1 ε 1 E(ε 1 ε σ E(ε ε 1 E(ε ε 1 I T 0 0 σ I T
8 Empirische Wirtschaftsforschung 8 Im folgenden wollen wir eine Korrelation zwischen den Störtermen in der gleichen Zeitperiode ( contemporaneous correlation zulassen, aber wir werden weiterhin annehmen, dass Störterme unterschiedlicher Zeitperioden unkorreliert sind Eine Korrelation innerhalb einer Zeitperiode bezeichnen wir im folgenden als kontemporäre ( contemporaneous oder intratemporale Korrelation, eine Korrelation zwischen verschiedenen Zeitpunkten als intertemporale Korrelation Um dies zu verdeutlichen schreiben wir das Nebendiagonalelement E(ε 1 ε von W ausführlicher an ε 11 ε 1 E(ε 1 ε E ε 1T ( ε1 ε ε T ε 11 ε 1 ε 11 ε ε 11 ε T ε 1 ε 1 ε 1 ε ε 1 ε T E ε 1T ε 1 ε 1T ε ε 1T ε T Wie wir sehen sind die Elemente auf der Hauptdiagonale die Kovarianzen zwischen den Gleichungen in der gleichen Zeitperiode Wir bezeichnen diese kontemporäre (intratemporale Kovarianz mit σ 1, dh cov(ε 1t,ε t E(ε 1t ε t σ 1 für t 1,,,T Von den Nebendiagonalelementen, die die Korrelation zwischen den Störtermen von unterschiedlichen Gleichungen in verschiedenen Zeitperioden angeben, nehmen wir weiterhin an, dass sie im Erwartungswert Null sind, dh cov(ε 1t,ε s E(ε 1t ε s 0 für t s Unter diesen Annahmen ist σ E(ε 1 ε 0 σ 1 0 σ 1I T 0 0 σ 1 Die neue Spezifikation des gemeinsamen Störterms der beiden Firmen ist also ( [( ( ] ε1 0 σ N, 1 I T σ 1 I T ε 0 σ 1 I T σ I T bzw ε N(0,W
9 Empirische Wirtschaftsforschung 9 mit σ σ1 0 W 0 0 σ1 σ σ σ 1 σ σ σ 1 σ σ σ Dies kann mit Hilfe des Kronecker Produkts auch einfacher geschrieben werden W ( σ 1 I σ 1 I σ 1 I σ I ( σ 1 σ 1 σ 1 σ I Zusammenfassend können wir das Modell also folgendermaßen schreiben y Xβ +ε mit bzw ausführlicher mit ( y1 y ( ε1 ε ε N(0,W ( X1 0 0 X N [( 0, 0 ( β1 β + ( ε1 ε ( ] σ 1 I T σ 1 I T σ 1 I T σ I T Im Unterschied zum früheren GLS Schätzer erlaubt dieses System Korrelationen der Störterme verschiedener Gleichungen in der gleichen Zeitperiode Zellner nannte dieses Modell SUR ( Seemingly Unrelated Regression Modell Dieses Modell kann wieder einfach mit GLS geschätzt werden ˆβ SUR (X W 1 X 1 X W 1 y [ (X1 ( 0 σ 1 ( ] 1 1 I T σ 1 I T X1 0 0 X σ 1 I T σi T 0 X ( ( X1 0 σ 1 ( 1 I T σ 1 I T y1 0 X σ 1 I T σ I T y Die entsprechende Varianz-Kovarianzmatrix ist ] var(ˆβ SUR E [(ˆβ SUR β(ˆβ SUR β (X W 1 X 1 Wenn die Varianz-Kovarianzmatrix W bekannt wäre, so wäre dieser Schätzer unverzerrt und effizient Aber ähnlich wie früher muss diese Matrix aus der Stichprobe geschätzt werden, und der resultierende FGLS Schätzer ist nur noch konsistent
10 Empirische Wirtschaftsforschung 10 Die Varianzen und Kovarianzen σ ij werden dabei aus OLS Regressionen geschätzt s ij ˆσ ij (y i X iˆβi (y j X jˆβj /T ˆε iˆε j T Der einzige Unterschied zu früher ist, dass wir durch T anstatt durch T k dividieren, weil k nicht mehr eindeutig definiert ist, wenn sich die Anzahl der Spalten in X i und X j unterscheiden, aber asymptotisch macht dies keinen Unterschied Alternativ verwenden manche Programme auch 1 s ij ˆσ ij ˆε iˆε j (T ki (T k j oder s ij ˆσ ij für eine ausführlichere Diskussion siehe zb (Greene, 007, 58 ˆε iˆε j (T max(k i,k j Die aus der Stichprobe geschätzte Varianz-Kovarianzmatrix der Störterme Ŵ ist also ( s Ŵ 1 I T s 1 I T s 1 I T s I 1 (ˆε 1ˆε 1 I T ˆε 1ˆε I T T T ˆε ˆε 1I T ˆε ˆε I T Der SUR Schätzer wird also auch in einem zweistufigen Verfahren geschätzt: 1 Zuerst werden aus den Residuen einer OLS-Schätzung die Varianz-Kovarianz Matrix Ŵ geschätzt, anschließend wird mit Hilfe dieser Varianz-Kovarianz Matrix der FGLS Schätzer berechnet ˆβ SUR (X Ŵ 1 X 1 X Ŵ 1 y mit var(ˆβ SUR (X Ŵ 1 X 1 Achtung: In zwei Fällen führt der SUR-Schätzer zu den exakt gleichen Ergebnissen wie der OLS Schätzer: 1 Wenn die kontemporäre (intratemporalen Kovarianzen σ ij 0 für i j, oder wenn die Daten in der X-Matrix für alle Gleichungen numerisch identisch sind, dh X i X j (dh nicht nur die gleichen erklärenden Variablen vorkommen, sondern für alle erklärenden Variablen der Individuen die gleichen Zahlen verwendet werden; für einen Beweis siehe zb Greene 003, S 343f Während der erste Fall eher selten auftreten dürfte kommt der zweite Fall häufiger vor Zum Beispiel folgt aus dem CAPM ( Capital Asset Pricing Model r it r ft α i +β i (r mt r ft +ε it wobei r it die Rendite von Aktie i zum Zeitpunkt t ist, r ft die Rendite einer risikofreien Anlage und r mt die Marktrendite ist Vermutlich sind die Störterme ε von zwei 1 Im Packet systemfit von R kann dies zb mit der Option methodresidcovgesteuert werden
11 Empirische Wirtschaftsforschung 11 verschiedenen Aktien nicht unabhängig, weil sie zb von Markttrends abhängen Deshalb wäre es vermutlich besser diese Abhängigkeit zwischen den Gleichungen für die Schätzung zu berücksichtigen Wenn aber für alle Aktiengleichungen die gleiche Rendite einer risikofreien Anlage und die gleiche Marktrendite r mt verwendet werden bringt SUR keinerlei Vorteile Ähnlich wenn zb die Nachfrage nach Rind-, Schweine- und Geflügelfleisch untersucht werden soll Da diese Substitute sind macht es Sinn die Preise der anderen Fleischsorten in jeder Gleichung zu berücksichtigen, ebenso wie das Einkommen Da diese aber für jede Gleichung gleich sind erhält man exakt die gleichen Ergebnisse wie bei Einzelgleichungsschätzungen 161 Ein Test auf kontemporäre Korrelation Wenn die Störterme verschiedener Gleichungen nicht in den gleichen Zeitperioden korreliert sind ist die Anwendung des OLS Schätzers auf die Einzelgleichungen BLUE, die Anwendung eines FGLS Systemschätzers könnte die Eigenschaften also nur verschlechtern, ist also nicht effizient Für einen Test auf eine solche kontemporäre Korrelation kann der quadrierte Korrelationskoeffizient zwischen ε 1 und ε verwendet werden r 1 (s 1 s 1 s Unter Gültigkeit der Nullhypothese H 0 : σ 1 0 ist TC Tr 1 a χ 1 Wenn TC kleiner ist als der kritische Wert der χ Verteilung (für ein 5% Signifikanzniveau bei einem Freiheitsgrad ist der kritische Wert χ c 384, dh wenn T C < 384 kann das Modell als Einzelgleichungen mit OLS geschätzt werden Für drei Gleichungen sind Null- und Alternativhypothese Die Teststatistik H 0 : σ 1 σ 13 σ 3 0 H 1 : mindestens ein σ ij 0 (i j TC T(r 1 +r 13 +r 3 a χ 3 ist asymptotisch χ verteilt mit (G 1G/ 3 Freiheitsgraden, wobei G die Anzahl der Gleichungen ist (in diesem Fall ist G 3 Allgemein für G Gleichungen ist die entsprechende Teststatistik für kontemporäre Korrelation G i 1 TC T rij a χ q i Unter H 0 ist diese Teststatistik asymptotisch χ q verteilt mit q (G 1G/ Freiheitsgraden j1
12 Empirische Wirtschaftsforschung 1 16 Test von Koeffizientenrestriktionen Einer der großen Vorteile von Systemschätzern besteht darin, dass sie einfache Tests von Restriktionen über verschiedene Gleichungen erlauben Zum Beispiel könnten wir testen, ob sich die Koeffizientenvektoren von General Electric und Westinghouse unterscheiden, dh H 0 : β 1 β In der üblichen Schreibweise ist dies wieder Rβ R ( β1 β β β β 1 0 β 0 β 3 Unter der Nullhypothese H 0 : Rβ 0 ist die folgende Teststatistik m asymptotisch F-verteilt mit q k Zähler- und (T k Nennerfreiheitsgraden TF (R ˆβSUR [R(X Ŵ 1 X 1 R ] 1 (R ˆβSUR /q a Fq,(T K Falls TF größer ist als der kritische Wert der F-Verteilung muss die Nullhypothese verworfen werden und es sollte nicht das restringierte ( gepoolte Modell geschätzt werden Falls TF kleiner als der kritische Wert der F-Verteilung ist kann durch die Schätzung des restringierten Modells die Genauigkeit der Schätzung verbessert werden, da aus den G T Beobachtungen deutlich weniger Parameter geschätzt werden müssen Man beachte übrigens, dass das restringierte Modell einfach durch aufeinanderstocken der X 1 und X Matrizen geschätzt werden kann, dh ( ( ( y1 X1 ε1 γ + y 163 Daten und Software X Sowohl für Panel- als auch für Mehrgleichungsmodelle haben wir jür jedes Individuum, bzw jede Gleichung, wiederholte Beobachtungen In vielen Fällen liegen die Beobachtungen für jedes Individuum in getrennten Zeitreihen vor, wie zb in Tabelle 161 für den gekürzten Grunfeld Datensatz für drei Firmen und die Jahre für die Variablen inv und value Diese Anordnung der Daten wird häufig als Wide -Format bezeichnet Tabelle 161: Daten im Wide -Format (Grunfeld Daten obs year inv 1 inv inv 3 value 1 value value ε β 11
13 Empirische Wirtschaftsforschung 13 In diesem Fall sind die Firmen in den Variablenbezeichnungen kodiert, inv 1 bezeichnet die Investitionen der 1 Firma, oder capital 3 ist der Kapitalstock der 3 Firma Sowohl für Panel- als auch für die Schätzung von Mehrgleichungsmodellen müssen die Daten meist gestackt werden, dh die Daten aller Individuen werden übereinander gestapelt, wie in Tabelle 16 gezeigt Diese Anordnung der Daten wird meist Long -Format genannt Tabelle 16: Daten im Long -Format (Grunfeld Daten obs firm year inv value Mit allen üblichen statistischen Programmen können Daten vom Long in das Wide Format und umgekehrt transformiert werden EViews Die benötigten Befehle sind pagestack, pageunstack und pagestruct Für den Grunfeld Datensatz zb wfopen " Long -> Wide pageunstack(pagewide firm year Wide -> Long pagestack(pagelong inv? value? inv? value? capital? rename var01 firm pagestruct R In R können die Pakete reshape oder reshape verwendet werden Für die Paneldatenstruktur wird das Packet plm benötigt Zum Beispiel Grunfeld <- readcsv(" library(reshape Grunfeld_Long <- melt(grunfeld, idc("firm","year" Grunfeld_Wide <- dcast(grunfeld_long, year ~ variable + firm # Back from Wide to Long Grunfeld1 <- melt(grunfeld_wide, id "year" Grunfeld <- cbind(grunfeld1, colsplit(grunfeld1$variable, "_",
14 Empirische Wirtschaftsforschung 14 names c("var", "firm" Grunfeld$variable <- NULL Grunfeld3 <- dcast(grunfeld, firm + year ~ var Stata Mit reshape und xtset kann die Struktur beliebig verändert werden, zum Beispiel clear insheet using "C:/home/lehre/oekono/data/Grunfeldcsv", comma clear * Data Long xtset firm year, yearly * list in 1/3 reshape wide inv value capital, i(year j(firm list in 1/3 * -> Long reshape long xtset firm year, yearly list in 1/3 oder clear * Data Wide insheet using "C:/home/lehre/oekono/data/Grunfeld_widecsv", comma clear reshape long inv_ value_ capital_, i(year j(firm rename inv_ inv rename value_ value rename capital_ capital xtset firm year, yearly * -> Wide reshape wide inv value capital, i(year j(firm * -> Long reshape long SUR Schätzung Um in EViews ein Systemschätzverfahren anwenden zu können muss zuerst ein System-Objekt erzeugt werden ( Objects New Objects System, oder einfacher mit dem Befehl System im Kommandofenster Es öffnet sich ein Specification- Window, in das die zu schätzenden Gleichungen in der langen Form eingegeben werden Für unser Grunfeld Beispiel wäre das zb inv1 c(1 + c(*value1 + c(3*capital1 inv c(4 + c(5*value + c(6*capital
15 Empirische Wirtschaftsforschung 15 wobei c der EViews-Default Koeffizientenvektor ist Anstelle dessen können auch neue Koeffizientenvektoren definiert und verwendet werden (zb mit coef(3 b Für die Schätzung dieser Systeme stehen eine Reihe von Methoden zur Verfügung Das folgende kleine EViews Programm legt ein neues Workfile an, liest die Daten, definiert ein System und schätzt dieses mit SUR SUR Schätzung cd "c:\mydata" wfopen " pagecontract if firm < Wide - Format pageunstack(pagewide firm year system GRUNFELD GRUNFELDappend inv1 c(1 + c(*value1 + c(3*capital1 GRUNFELDappend inv c(4 + c(5*value + c(6*capital GRUNFELDsur SUR (Zellner Dieses Programm folgenden Output System: GRUNFELD Estimation Method: Seemingly Unrelated Regression Sample: 1 0 Included observations: 0 Total system (balanced observations 40 Linear estimation after one-step weighting matrix Coefficient Std Errort-Statistic Prob C( C( C( C( C( C( Determinant residual covariance Equation: INV1 C(1 + C(*VALUE1 + C(3*CAPITAL1 Observations: 0 R-squared Mean dependent var Adjusted R-squared SD dependent var SE of regression Sum squared resid Durbin-Watson stat Equation: INV C(4 + C(5*VALUE + C(6*CAPITAL Observations: 0
16 Empirische Wirtschaftsforschung 16 R-squared Mean dependent var Adjusted R-squared SD dependent var SE of regression Sum squared resid Durbin-Watson stat Folgende System-Schätzmethoden stehen in EViews zur Verfügung: 3sls three-stage least squares fiml full information maximum likelihood gmm generalized method of moments ls ordinary least squares sur seemingly unrelated regression tsls two-stage least squares wls weighted least squares wtsls weighted two-stage least squares (3sls, fiml, gmm, tsls und wtsls werden später vorgestellt Mit System können die üblichen Wald-Tests einfach wie bei Einzelgleichungsverfahren durchgeführt werden Durch Eingabe der entsprechender nichtlinearer Gleichungen können auch in den Variablen und/oder Koeffizienten nichtlineare Systeme geschätzt werden Restriktionen über die Gleichungen können eingegeben werden, indem die entsprechenden Koeffizienten verwendet werden Im Grunfeld Beispiel könnte zb ein unterschiedliches Interzept für beide Firmen zugelassen werden, aber die Restriktion gleicher Steigungskoeffizienten auferlegt werden Das System wäre inv1 c(1 + c(*value1 + c(3*capital1 inv c(4 + c(*value + c(3*capital und kann einfach mit einer entsprechenden Methode geschätzt werden R In R müssen die Pakete plm und systemfit installiert werden rm(list objects( setwd("c:/home/data/" # Einlesen des Datensatzes Grunfeld <- readcsv(" library(plm GF <- subset(grunfeld, firm %in% c(1, GF <- plmdata(gf, c("firm", "year" library(systemfit
17 Empirische Wirtschaftsforschung 17 SUR <- systemfit(inv ~ value + capital, method "SUR", methodresidcov "nodfcor", data GF SURsum <- summary(sur, residcov TRUE, equations FALSE SURsum Das Ergebnis: systemfit results method: SUR N DF SSR detrcov OLS-R McElroy-R system N DF SSR MSE RMSE R Adj R The covariance matrix of the residuals used for estimation The covariance matrix of the residuals The correlations of the residuals Coefficients: Estimate Std Error t value Pr(> t 1_(Intercept X1_value e-05 *** X1_capital e-09 *** _(Intercept X_value * X_capital ** --- Signif codes: 0 *** 0001 ** 001 * Stata Das gleiche Ergebnis erhält man in Stata mit clear insheet using "C:/home/lehre/oekono/data/Grunfeldcsv", comma clear
18 Empirische Wirtschaftsforschung 18 xtset firm year, yearly drop if firm > reshape wide inv value capital, i(year j(firm sureg (inv1 value1 capital1 (inv value capital, corr sureg (inv1 value1 capital1 (inv value capital, corr Seemingly unrelated regression Equation Obs Parms RMSE "R-sq" chi P inv inv Coef Std Err z P> z [95% Conf Interval] inv1 value capital _cons inv value capital _cons Correlation matrix of residuals: inv1 inv inv inv Breusch-Pagan test of independence: chi(1 1367, Pr 043 Übung: Verwenden Sie die ersten sechs Beobachtungen des Grunfeld-Datensatzes und berechnen Sie den SUR-Schätzer mit Excel Vergleichen Sie die Resultate mit denen von EViews, R oder Stata Literaturverzeichnis Greene, W H (007, Econometric Analysis, 6th edn, Prentice Hall Griffiths, W E, Hill, R C and Judge, G G (1993, Learning and Practicing Econometrics, 1 edn, Wiley Kleiber, C and Zeileis, A (010, The Grunfeld Data at 50, German Economic Review 11(4, URL:
y 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
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
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
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
MehrMehrgleichungsmodelle
Mehrgleichungsmodelle Stichwörter: Typen von Mehrgleichungsmodellen multivariates Regressionsmodell seemingly unrelated Modell interdependentes Modell Schätzen der Parameter Bestimmtheitsmass Spezifikationstests
Mehr4. Das multiple lineare Regressionsmodell
4. Das multiple lineare Regressionsmodell Bisher: 1 endogene Variable y wurde zurückgeführt auf 1 exogene Variable x (einfaches lineares Regressionsmodell) Jetzt: Endogenes y wird regressiert auf mehrere
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
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
MehrKapitel 3. Inferenz bei OLS-Schätzung I (small sample, unter GM1,..., GM6)
8 SMALL SAMPLE INFERENZ DER OLS-SCHÄTZUNG Damit wir die Verteilung von t (und anderen Teststatistiken) exakt angeben können, benötigen wir Verteilungsannahmen über die Störterme; Kapitel 3 Inferenz bei
MehrFinanzmarkttheorie I. Performancemessung in EViews Übungsunterlage. Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015
Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015 Finanzmarkttheorie I Performancemessung in EViews Übungsunterlage Die vorliegende Unterlage liefert eine kurze Einführung in die Schätzung linearer
MehrStatistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
MehrÜbung zur Empirischen Wirtschaftsforschung. VII. Ökonometrische Testverfahren. 7.1 Geldnachfragefunktion. 7.2 Empirische Ergebnisse: Westdeutschland
Universität Ulm 89069 Ulm Germany Dipl.-WiWi. Christian Peukert Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
Mehr2 Anwendungen und Probleme
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor 2 Anwendungen
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
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
MehrLineare Modelle in R: Klassische lineare Regression
Lineare Modelle in R: Klassische lineare Regression Achim Zeileis 2009-02-20 1 Das Modell Das klassische lineare Regressionsmodell versucht den Zusammenhang zwischen einer abhängigen Variablen (oder Responsevariablen)
MehrErgänzung der Aufgabe "Mindestlöhne" zu einer multiplen Regression
Prof. Dr. Peter von der Lippe ( Übungsblatt E) Ergänzung der Aufgabe "Mindestlöhne" zu einer multiplen Regression Das Beispiel "Mindestlöhne" zur einfachen multiplen Regression ergab die folgenden Parameter
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief. Statistik II
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Wiederholung Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte
MehrLineare Regressionen mit R (Ökonometrie SS 2014 an der UdS)
Lineare Regressionen mit R (Ökonometrie SS 2014 an der UdS) Es soll untersucht werden, ob und wie sich Rauchen während der Schwangerschaft auf den Gesundheitszustand des Neugeborenen auswirkt. Hierzu werden
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
MehrStrukturgleichungsmodellierung
Strukturgleichungsmodellierung FoV Methodenlehre FSU-Jena Dipl.-Psych. Norman Rose Parameterschätzung, Modelltest & Fit Indizes bei SEM Forschungsorientierte Vertiefung - Methodenlehre Dipl.-Psych. Norman
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte : Schätzung Statistik
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
MehrProf. Dr. Werner Smolny werner.smolny@mathematik.uni-ulm.de Dipl.-Ökonom Ralf Scherfling ralf.scherfling@mathematik.uni-ulm.de Universität Ulm Abteilung Wirtschaftspolitik Seminar zur Empirischen Wirtschaftsforschung
MehrMikro-Ökonometrie: Small Sample Inferenz mit OLS
Mikro-Ökonometrie: Small Sample Inferenz mit OLS 1. November 014 Mikro-Ökonometrie: Small Sample Inferenz mit OLS Folie Zusammenfassung wichtiger Ergebnisse des letzten Kapitels (I) Unter den ersten vier
MehrMasterprüfung SS 2014
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Masterprüfung SS 2014 Fach: Ökonometrie Prüfer: Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnummer E-Mail
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
Mehr2. Statische lineare Panelmodelle
2. Statische lineare Panelmodelle 2.1 Fixed effects Schätzung Eine gegenüber der first-differenced OLS-Schätzung oft vorteilhaftere Vorgehensweise zur Beseitigung der fixen Effekte α i in linearen fixed
MehrNachschreibklausur im Anschluss an das SS 2009
Nachschreibklausur im Anschluss an das SS 2009 08. Oktober 2009 Lehrstuhl: Prüfungsfach: Prüfer: Hilfsmittel: Klausurdauer: Wirtschaftspolitik Empirische Wirtschaftsforschung Prof. Dr. K. Kraft Nicht-programmierbarer
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
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
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
4 Multiple lineare Regression Tests auf Heteroskedastie 4.11 Breusch-Pagan-Test I auf Heteroskedastie in den Störgrößen Ein weiterer Test auf Heteroskedastie in den Störgrößen ist der Breusch-Pagan-Test.
MehrEine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2011 Bernd Klaus, Verena Zuber Das
MehrVergleich von Gruppen I
Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik
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
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
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Diplomvorprüfung Statistik II Einf. Ökonometrie im WS 06/07
Aufgabe 1: [21 Punkte] Ein Forschungsinstitut hat den Auftrag bekommen, die individuellen monatlichen Ausgaben für Bioprodukte zu erklären. Es wird eine Kleinstquadrate Regression der Höhe der Ausgaben
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
MehrZeitreihenökonometrie
Zeitreihenökonometrie Kapitel 8 Impuls-Antwort-Funktionen Interpretation eines VAR-Prozesses 2 Fall eines bivariaten Var(p)-Prozess mit 2 Variablen und ohne Konstante 1 1 p p 1,t α11 α 12 1,t-1 α11 α 12
MehrDas Identifikationsproblem
Draft 1 Das Identifikationsproblem Simultane Strukturmodelle sind insbesondere in den Sozialwissenschaften wichtig, da dort Zusammenhänge sehr häufig interdependenter Natur sind. Dies wirft einige schwerwiegende
MehrTutorial: Anpassungstest
Tutorial: Anpassungstest An einem Institut gibt es vier UniversitätslehrerInnen, die auch Diplomarbeiten betreuen. Natürlich erfordert die Betreuung einer Diplomarbeit einiges an Arbeit und Zeit und vom
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
MehrAnalyse von Querschnittsdaten. Heteroskedastizität
Analyse von Querschnittsdaten Heteroskedastizität Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004 03.11.2004
MehrWahrscheinlichkeitslimes und Konsistenz eines Schätzers
5.5. IV SCHÄTZUNG 1 5.5 Multivariate lineare Regression: Fehler in den Variablen, Proxies, Endogenität, Instrumentvariablenschätzung Wahrscheinlichkeitslimes und Konsistenz eines Schätzers Literatur: Gujarati
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
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)
MehrInferenz im multiplen Regressionsmodell
1 / 40 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 2 Ökonometrie I Michael Hauser 2 / 40 Inhalt ANOVA, analysis of variance korrigiertes R 2, R 2 F-Test F-Test bei linearen Restriktionen Erwartungstreue,
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
Mehr1. Erklären Sie den Unterschied zwischen einem einseitigen und zweiseitigen Hypothesentest.
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
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
MehrStatistische Eigenschaften der OLS-Schätzer, Residuen,
Statistische Eigenschaften der OLS-Schätzer, Residuen, Bestimmtheitsmaß Stichwörter: Interpretation des OLS-Schätzers Momente des OLS-Schätzers Gauss-Markov Theorem Residuen Schätzung von σ 2 Bestimmtheitsmaß
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
MehrLehrstuhl für Statistik und empirische Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Diplomprüfung in Ökonometrie im SS 09
Lehrstuhl für Statistik und empirische irtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Diplomprüfung in Ökonometrie im SS 09 Aufgabe 1: [17 Punkte] Sie interessieren sich für den Zusammenhang zwischen
MehrEine Einführung in R: Das Lineare Modell
Eine Einführung in R: Das Lineare Modell Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2009 Bernd Klaus, Verena Zuber
MehrDiplomvorprüfung in Statistik II Sommersemester Juli 2005
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Diplomvorprüfung in Statistik II Sommersemester 2005 22. Juli 2005 Aufgabe 1 [46 Punkte] Ein Marktforschungsunternehmen
MehrEin Beispiel für die Anwendung von Methoden für Panel-Daten (Version 2)
Prof. Dr. Peter von der Lippe Jan 2011 (Version 1 war Febr. 2010) Ein Beispiel für die Anwendung von Methoden für Panel-Daten (Version 2) Im Folgenden beschreiben wir Verfahren und Erfahrungen mit EViews
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
MehrÜbung zur Empirischen Wirtschaftsforschung VIII. Einkommensfunktion
Universität Ulm 89069 Ulm Germany B.Sc. Daniele Sabella Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2014 Übung
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
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 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
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
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Probeprüfung Statistik 1 Sommer 2014 Schriftliche Prüfung (90 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
MehrÖkonometrie. Hans Schneeweiß. 3., durchgesehene Auflage. Physica-Verlag Würzburg-Wien 1978 ISBN
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Hans Schneeweiß Ökonometrie 3., durchgesehene Auflage Physica-Verlag
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
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
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
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
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
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
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
MehrLineare Regression mit einem Regressor: Einführung
Lineare Regression mit einem Regressor: Einführung Quantifizierung des linearen Zusammenhangs von zwei Variablen Beispiel Zusammenhang Klassengröße und Testergebnis o Wie verändern sich Testergebnisse,
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
MehrMetrische und kategoriale Merkmale
Kapitel 6 Metrische und kategoriale Merkmale 6.1 Wie kann man metrische und kategoriale Merkmale numerisch beschreiben? Typischerweise will man geeignete Maßzahlen (beispielsweise Lage- oder Streuungsmaße)
MehrFormelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade
Version 2015 Formelsammlung für das Modul Statistik 2 Bachelor Sven Garbade Prof. Dr. phil. Dipl.-Psych. Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
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
MehrIII. Prognosen - Teil 1
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Klaus Gründler Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
MehrDemokurs. Modul Vertiefung der Wirtschaftsmathematik Vertiefung der Statistik
Demokurs Modul 3741 Vertiefung der Wirtschaftsmathematik und Statistik Kurs 41 Vertiefung der Statistik 15. Juli 010 Seite: 14 KAPITEL 4. ZUSAMMENHANGSANALYSE gegeben, wobei die Stichproben(ko)varianzen
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrKapitel 10. Heteroskedastie (statische Form) 10.2 Tests auf Heteroskedastie Probleme der OLS-Schätzg. bei Heteroskedastie
HETEROSKEDASTIE (STATISCHE FORM). Tests auf Heteroskedastie Kapitel Heteroskedastie (statische Form). Probleme der OLS-Schätzg. bei Heteroskedastie Heteroskedastie, also die Verletzung der GM-Annahme var(u
MehrVorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik. Regression. Einfache lineare Regression
Vorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik Regression Dozent: Fabian Scheipl Material: H. Küchenhoff LMU München 39 Einfache lineare Regression Bestimmung der Regressionsgerade
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
MehrEinführung zum Seminar Empirische Wirtschaftsforschung WS 2006/2007
UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Universität Ulm Abteilung Wirtschaftspolitik Ludwig-Erhard-Stiftungsprofessur Prof. Dr. Werner Smolny Dipl.-WiWi Kai Kohler Dipl.-WiWi Michael Alpert 1 Einleitung
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
MehrTutorial: Regression Output von R
Tutorial: Regression Output von R Eine Firma erzeugt Autositze. Ihr Chef ist besorgt über die Anzahl und die Kosten von Maschinenausfällen. Das Problem ist, dass die Maschinen schon alt sind und deswegen
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
MehrEinführung in Panel-Verfahren
Einführung in Panel-Verfahren Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Drei Arten von Datensätzen Cross-Section
MehrBachelorprüfung WS 2012/13
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung WS 2012/13
MehrRegressionsanalyse in R
Regressionsanalyse in R Session 6 1 Einfache Regression Lineare Regression ist eines der nützlichsten Werkzeuge in der Statistik. Regressionsanalyse erlaubt es Zusammenhänge zwischen Parametern zu schätzen
MehrPROC NPAR1WAY. zum Durchführen des U-Tests für zwei unverbundene Stichproben (für quantitative nicht-normalverteilte Merkmale)
PROC NPAR1WAY zum Durchführen des U-Tests für zwei unverbundene Stichproben (für quantitative nicht-normalverteilte Merkmale) Allgemeine Form: PROC NPAR1WAY DATA=name Optionen ; VAR variablenliste ; CLASS
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:
Mehrunendlich-dimensionalen lästigen Parameter auffassen.
Näherungen mit Bootstrap Werner Stahel, Seminar für Statistik, ETH Zürich, 8. 4. 2009 Dieser Text kann dazu dienen, die Ideen des Bootstrap zusammenzufassen. Es fehlen hier Beispiele. 1 Fragestellung a
MehrEinführung in die Methoden der Empirischen Wirtschaftsforschung
Einführung in die Methoden der Empirischen Wirtschaftsforschung Prof. Dr. Dieter Nautz Einführung in die Methoden der Emp. WF 1 / 37 Übersicht 1 Einführung in die Ökonometrie 1.1 Was ist Ökonometrie? 1.2
Mehr9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T
9 Faktorenanalyse Ziel der Faktorenanalyse ist es, die Anzahl der Variablen auf wenige voneinander unabhängige Faktoren zu reduzieren und dabei möglichst viel an Information zu erhalten. Hier wird davon
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
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
Mehro o o o o o o o o o o o
Klumpen-Stichproben = Cluster Sampling Obs.: Bei einer uneingeschränkten Zufallsauswahl wird pro Randomisierungs- Schritt genau eine Beobachtung gemacht. Ein ganz wesentlicher Punkt : Jedes zufällig ausgewählte
MehrPanel-Daten I (Grundlagen; Fixed- und Random-Effects)
Panel-Daten I (Grundlagen; Fixed- und Random-Effects) 27 Januar 216 Panel-Daten entstehen, wenn man eine Anzahl von Individuen i (Personen, Haushalte, Unternehmen, Länder usw) über einen Zeitraum zu mehreren
Mehr