Kapitel 15. Verletzung der Annahme A3: Variable Parameterwerte
|
|
- Heike Pfeiffer
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 15 Verletzung der Annahme A3: Variable Parameterwerte
2 v Auer, Ökonometrie 15 2 Das ökonometrische Modell einer Mehrfachregression lautet: y t = α + β 1 x 1t + β 2 x 2t + + β K x Kt + u t Annahme A3 Die K + 1 Parameter α, β 1, β 2,,β K sind für alle T Beobachtungen (x 1t,x 2t,,x Kt,y t ) konstant Beispiel: Paqué (1999) vertritt den Standpunkt, dass die Entwicklung der westdeutschen Arbeitslosenquote im Wesentlichen durch die Entwicklung des Anteils der Industriebeschäftigten an den insgesamt Beschäftigten erklärt werden kann Dies soll empirisch überprüft werden Die zur Verfügung stehenden Daten sind in Tabelle 151 wiedergeben, die entsprechende Punktwolke in Abbildung 151
3 v Auer, Ökonometrie 15 3 Tabelle 151: Arbeitslosenquote y t und Anteil der Industriebeschäftigten an den insgesamt Beschäftigten x t für die 76 Quartale des Zeitraums 80/1 bis 98/4 Jahr/t y t x t Jahr/t y t x t Jahr/t y t x t 80/1 3,5 43,5 86/27 8,2 40,8 93/53 7,2 37,5 90/42 6,6 39,6 98/75 9,3 33,7 90/43 6,5 39,7 98/76 9,2 33,6 86/26 8,2 40,6 92/52 6,5 38,1
4 v Auer, Ökonometrie ,0 10,0 Arbeitslosenquote 9,0 8,0 7,0 6,0 5,0 4,0 Phase I (80/1-90/2) Phase II (90/3-98/4) 3,0 32,0 34,0 36,0 38,0 40,0 42,0 44,0 Anteil der Industriebeschäftigten Abbildung 151: Die Datenpunkte des Arbeitsmarkt-Beispiels
5 v Auer, Ökonometrie Konsequenzen der Annahmeverletzung Getrennte Modelle für Phasen I und II: Phase I : y t = α I + β I x t + u t (151a) Phase II : y t = α II + β II x t + u t, (151b) Vier mögliche Fälle können auftreten: Fall A: α I = α II und β I = β II Fall B: α I 6= α II und β I = β II Fall C: α I = α II und β I 6= β II Fall D: α I 6= α II und β I 6= β II kein Strukturbruch Strukturbruch im Niveauparameter Strukturbruch im Steigungsparam Strukturbruch in beiden Param
6 v Auer, Ökonometrie 15 6 α I =α II α I =α II y t 6 Q QQQ (A) ( y t 6 Q QQQ (B) Q QQQ α Q II Q QQQ n QQQ Q α I n n Q β I =β II QQ β Q QQ {z }- I =β II β I =β II x t {z Q } {z }- x t y t y t SQ Q QQQ QQQ SS (C) (D) ( Q Q S QQQ ½ QQQ β SS n α I I n Q Q β QQ β QQ {z S II } {z }- x t II } {z }- x t Abbildung 152: Vier mögliche Parameterkonstellationen
7 v Auer, Ökonometrie Ein geeignetes Strukturbruchmodell Die Parameter der Phase II können in der Form α II = α I + γ (152a) β II = β I + δ (152b) geschrieben werden Das Modell der Phase II, (151b) lautet dann: y t =(α I + γ)+(β I + δ) x t + u t = α I + γ + β I x t + δx t + u t (153) Die Modelle der Phasen I und II, (151a) und (153), können auch als Funktionen genau der gleichen Parameter geschrieben werden: Phase I: y t = α I +0 γ + β I x t +0 δx t + u t mit t=1, 2,, T I (154a) Phase II: y t = α I +1 γ + β I x t +1 δx t + u t mit t=t I +1,, T,(154b) wobei T I die Anzahl der Beobachtungen der Phase I bezeichnet Man definiert die folgende ½Dummy-Variable: 0 wenn t =1, 2,, TI D t = 1 wenn t = T I +1,T I +2,, T
8 v Auer, Ökonometrie 15 8 Nun können die zwei Gleichungen (154) in einer einzigen Gleichung, dem sogenannten Strukturbruchmodell, zusammengefasst werden: Phasen I und II: y t = α I +γd t +β I x t +δd t x t +u t, t=1,2,,t (155) Dieses Strukturbruchmodell beschreibt Fall D und enthält die Fälle A bis C als Spezialfälle: Fall A: γ =0und δ =0 y t = α I + β I x t + u t, t =1, 2,, T (156) Fall B: γ 6= 0und δ =0 y t = α I + γd t + β I x t + u t, t =1, 2,, T (157) Fall C: γ =0und δ 6= 0 y t = α I + β I x t + δd t x t + u t, t =1, 2,, T (158) Fall D: γ 6= 0und δ 6= 0 y t = α I + γd t + β I x t + δd t x t + u t, t =1, 2,, T (155)
9 v Auer, Ökonometrie Schätzung und Interpretation der Parameter des Strukturbruchmodells Das Strukturbruchmodell y t = α I + γd t + β I x t + δd t x t + u t, t =1, 2,, T (155) kann mit der KQ-Methode geschätzt werden D t x t ist eine Interaktions- Dummy Es müssen aber sowohl für Phase I als auch für Phase II mindestens 2 Beobachtungen vorliegen Nummerische Illustration 151 Zarembkas Box-Cox-Test zeigt, dass die logarithmische Funktionsform vorzuziehen ist Die KQ-Schätzung basiert demnach auf den Daten der Tabelle 152 Die KQ-Schätzergebnisse sind in Tabelle 153 wiedergegeben
10 v Auer, Ökonometrie Tabelle 152: Logarithmierte Arbeitslosenquote y t, logarithmierter Anteil der Industriebeschäftigten x t, Dummy-Variable D t und Interaktions- Dummy D t x t für die 76 Quartale des Zeitraums 80/1 bis 98/4 Jahr/Quartal t y t x t D t D t x t 80/1 1 1,253 3, Phase I 80/2 2 1,253 3, /2 42 1,887 3, /3 43 1,872 3, ,681 Phase II 90/4 44 1,856 3, ,684 98/4 76 2,219 3, ,515
11 v Auer, Ökonometrie Tabelle 153: Schätzergebnisse für das Strukturbruchmodell (155) des Arbeitsmarkt-Beispiels Variable Koeff bse(b ) t-wert p-wert Konstante 27,251 2,691 10,125 <0,001 Industriebeschäftigung -6,807 0,724-9,398 <0,001 Dummy -13,129 3,088-4,253 <0,001 Interaktions-Dummy 3,453 0,838 4,120 <0,001 Die Parameter der Phase II berechnen sich gemäß bα II = bα I + bγ =27, , 129 = 14, 122 bβ II = β b I + b δ = 6, , 453 = 3, 354
12 v Auer, Ökonometrie Getrennte Schätzung der zwei Phasen Nummerische Illustration 152 Tabelle 154: Schätzergebnisse bei getrennten KQ-Schätzungen der Modelle (151a) und (151b) Modell Variable Koeff bse(b ) t-wert p-wert (151a) Konstante 27,251 3,477 7,837 <0,001 Phase I Industriebeschäft -6,807 0,936-7,274 <0,001 (151b) Konstante 14,122 0,611 23,099 <0,001 Phase II Industriebeschäft -3,355 0,170-19,709 <0,001 Die Koeffizienten stimmen mit denjenigen der Tabelle 153 überein
13 v Auer, Ökonometrie Bei beiden Schätzverfahren gilt se( β b I )= p σ 2 /Sxx I AberderSchätzwert bse( β b q I )= bσ 2 /Sxx I weicht in den beiden Verfahren voneinander ab, denn bei Modell (151a) gilt bσ 2 = S u u I /(T I K 1) undbeimodell(155)gilt bσ 2 = S u u /(T ek 1) Eine Schätzung von se( β b I ) auf Basis des Modells (151a) ist nicht effizient 1514 Eine mögliche alternative Formulierung des Strukturbruchmodells Da γ = α II α I und δ = β II β I, kann das Strukturbruchmodell (155) auch in folgender Form geschrieben werden: y t = α I +(α II α I )D t + β I x t +(β II β I )D t x t + u t = α I (1 D t )+α II D t + β I (1 D t )x t + β II D t x t + u t (159)
14 v Auer, Ökonometrie Komplexere Strukturbrüche Wenn der Zeitraum miteinbezogen werden soll, dann muss für das Jahr 1979 (Beginn der 2 Ölkrise) ein zweiter Strukturbruch zugelassen werden Das entsprechende Strukturbruchmodell lautet: y t = α I + γ II D IIt + γ III D III t +(β I + δ II D II t + δ III D III t )x t + u t (1510) Phase I: D II t = D IIIt =0 y t = α I + β I x t + u t Phase II: D IIt =1und D III t =0 y t = α I + γ II +(β I + δ II )x t + u t Phase III: D IIt =0und D IIIt =1 y t = α I +γ III +(β I +δ III )x t +u t Der Unterschied zwischen β II und β III beträgt β III β II = β I + δ III (β I + δ II )=δ III δ II (1511)
15 v Auer, Ökonometrie Konsequenzen aus einer Vernachlässigung des Strukturbruchs Bei Vernachlässigung des Strukturbruchs würde man das Modell y t = α + βx t + u t (1512) zugrunde legen Nummerische Illustration 153 Tabelle 155: Die Schätzergebnisse für Modell (1512) Variable Koeff bse(b ) t-wert p-wert Konstante 9,278 1,053 8,812 <0,001 Industriebeschäftigung -1,986 0,288-6,905 <0,001 Ein Vergleich mit den Ergebnissen der Tabelle 154 zeigt, dass bα kleiner ausfällt als bα 1 und bα 2 Der Schätzwert für b β fällt weniger negativ aus
16 v Auer, Ökonometrie Diagnose Das Strukturbruchmodell lautete: y t = α I + γd t + β I x t + δd t x t + u t (155) Fall A: γ =0und δ =0 y t = α I + β I x t + u t Fall B: γ 6= 0und δ =0 y t = α I + γd t + β I x t + u t Fall C: γ =0und δ 6= 0 y t = α I + β I x t + δd t x t + u t Fall D: γ 6= 0und δ 6= 0 Strukturbruchmodell (155) Die Ergebnisse in Tabelle 153 liefern Anhaltspunkte darüber, welcher Fall vorliegt
17 v Auer, Ökonometrie F-Test Es ist zu überprüfen, ob überhaupt ein Strukturbruch stattgefunden hat Dies geschieht durch einen F -Test der Nullhypothese H 0 : γ = δ =0 Nummerische Illustration 154 Im Arbeitsmarkt-Beispiel ergibt sich für das Modell (155) S u u =1, 302 Für das Nullhypothesen-Modell (1512), also y t = α + βx t + u t,ergibt sich S u u 0 =2, 616 Damit erhält man F = (2, 616 1, 302)/2 1, 302/72 =36, 332 Für ein Signifikanzniveau von 5% liegt der kritische F -Wert bei etwa 3, 13
18 v Auer, Ökonometrie t-test Das Strukturbruchmodell y t = α I + γd t + β I x t + δd t x t + u t (155) beschreibt Fall D (Strukturbruch in beiden Parametern) Ein t-test von H 0 : γ =0differenziert zwischen Fall C (γ =0, δ 6= 0)undD(γ 6= 0, δ 6= 0) Ein t-test von H 0 : δ =0differenziert zwischen Fall B (γ 6= 0, δ =0)undD(γ 6= 0, δ 6= 0) Nummerische Illustration 155 Die t-werte für H 0 : γ =0und H 0 : δ =0finden sich in Tabelle 153 Die Zahl der Freiheitsgrade beträgt 72 Für ein Signifikanzniveau von 5% ergibt sich demnach ein kritischer t-wert von etwa 1, 99
19 v Auer, Ökonometrie Prognostischer Chow-Test Das Modell der Phase I lautet wie gewohnt: y t = α I + β I x t + u t Eine KQ-Schätzung dieses Modells auf Basis der Beobachtungen der Phase I liefert S u u I, eine KQ-Schätzung des Modells auf Basis sämtlicher verfügbarer Beobachtungen (zulässig falls kein Strukturbruch vorliegt) liefert S u u Die Nullhypothese des prognostischen Chow-Tests lautet: kein Strukturbruch Der F -Werterrechnetsichdanngemäß F = (S u u SI u u )/T II S I u u /(T I K 1) (1513) Bei Gültigkeit der Nullhypothese kein Strukturbruch folgt die Variable F einer F (TII,T I K 1)-Verteilung
20 v Auer, Ökonometrie Nummerische Illustration 156 Man befinde sich im 4 Quartal des Jahres 1990 Es soll untersucht werden, ob die zu Beginn des dritten Quartals 1990 vollzogene Währungsunion zu einem Strukturbruch geführt hat Der Beobachtungsumfang beträgt T =43(T I =42und T II =1) EsergebensichdieWerteS u u =1, 3044 und SI u u =1, 2079Darausergibt sich (1, , 2079)/1 F = =3, 196 1, 2079/(42 1 1) Der kritische Wert beträgt F 0,05 =4, 085 (v 1 =1, v 2 =40) Die Nullhypothese kein Strukturbruch kann auf einem Signifikanzniveau von 5% nicht abgelehnt werden
21 v Auer, Ökonometrie Zeitpunkt des Strukturbruchs Eine Sequenz prognostischer Chow-Tests (rekursiver Chow Test): Strukturbruch 89/4 90/1 (also t =41): T I =40und T II =1; Strukturbruch 90/1 90/2 (also t =42): T I =41und T II =1;usw Diese Test-Sequenz liefert eine Sequenz von F -Werten Der höchste F - Wert dieser Sequenz ist ein Indikator für den wahrscheinlichsten Zeitpunkt des Strukturbruchs Nummerische Illustration 157 Tabelle 156: Die F -Werte einer Sequenz prognostischer Chow Tests für verschiedene Zeitpunkte des Strukturbruchs Zeitpunkt 89/4 90/1 90/1 90/2 90/2 90/3 90/3 90/4 F -Wert 2,498 3,919 3,196 2,716
22 v Auer, Ökonometrie Stetige Veränderung von Parameterwerten Der wahre Zusammenhang laute: y t = α + β t x t + u t, (1514) wobei β t = μ + λt (1515) t ist eine TrendvariableIhreWertefinden sich in Tabelle 151 Einsetzen von (1515) in (1514) ergibt: y t = α +(μ + λt)x t + u t = α + μx t + λ(tx t )+u t Die endogene Variable y t wird auf die exogene Variable x t und die Interaktions-Variable tx t regressiert
23 v Auer, Ökonometrie Exkurs: Anwendung von Dummy-Variablen bei qualitativen exogenen Variablen Beispiel: Es wird das Lohn-Beispiel des Kapitels 13 aufgegriffen Der Lohn y t ist eine Funktion der Ausbildung x 1t und des Alters x 2t : y t = α + β 1 x 1t + β 2 x 2t + u t (1516) Einige Mitarbeiterinnen des Betriebes beklagen, dass sie beim Lohn diskriminiert werden Um dies zu überprüfen, muss für jeden der zwanzig Mitarbeiter zusätzlich zu den Daten der Tabelle 131 das Geschlecht ermittelt werden Es zeigt sich, dass die Mitarbeiter t =1, 4, 7, 9, 11, 16, 17 und 19 Frauen sind Die Variable Geschlecht ist nicht quantifizierbar Sie ist eine qualitative Variable
24 v Auer, Ökonometrie Einführung einer Dummy-Variable Beide Regressionen werden wie beim Strukturbruch in einem Dummy- Variablen-Modell zusammengefasst Zu diesem Zweck wird die folgende Dummy-Variable definiert: ½ 0 D t = wenn Mitarbeiter t männlich 1 wenn Mitarbeiter t weiblich (1517) 1542 Ein allgemeines Dummy-Variablen-Modell Das zu (1516) korrespondierende Dummy-Variablen-Modell lautet: y t = α + γd t + β 1 x 1t + δ 1 D t x 1t + β 2 x 2t + δ 2 D t x 2t + u t (1518) Dies führt zu (Männer D t =0): y t = α + β 1 x 1t + β 2 x 2t + u t, (Frauen D t =1): y t = α + γ + β 1 x 1t + δ 1 x 1t + β 2 x 2t + δ 2 x 2t + u t = α + γ +(β 1 + δ 1 )x 1t +(β 2 + δ 2 )x 2t + u t
25 v Auer, Ökonometrie Nummerische Illustration 158 Tabelle 157: Schätzergebnisse des Dummy-Variablen-Modells (1518) Variable Koeff bse(b ) t-wert p-wert Konstante 930,15 136,34 6,82 <0,001 Bildung 60,33 15,33 3,93 0,001 Alter 16,20 3,64 4,45 <0,001 Dummy 142,51 211,67 0,67 0,512 Interakt-D (Bildung) -45,10 32,76-1,38 0,190 Interakt-D (Alter) -7,67 6,21-1,24 0,237 Ist die Diskriminierungsklage berechtigt?
26 v Auer, Ökonometrie Das erwartete Einkommen einer 18-jährigen Frau (x 2t = 18) mit einjähriger Ausbildung (x 1t = 1) beträgt: by t = bα + bγ + b β 1 1+ b δ 1 1+ b β b δ 2 18 Das erwartete Einkommen eines 18-jährigen Mannes mit einjähriger Ausbildung beträgt: by t = bα + β b 1 1+ β b 2 18 Die Differenz beträgt: bγ + b δ 1 1+ b δ 2 18 Einsetzen der Werte der Tabelle 157 liefert: 142, 51 45, , = 40, 65
Aufgabenstellung Aufgabe 1: Betrachten Sie das folgende ökonometrische Modell: y t = α + βx t + u t (1)
Klausur: Einführung in die Ökonometrie Prüfer: Prof. Dr. Karl-Heinz Paqué Dr.Ludwigv.Auer Semester: WS 1999/00 Als Hilfsmittel sind zugelassen: nicht-programmierbarer Taschenrechner Diese Klausur besteht
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
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 6.. Herleitung des OLS-Schätzers
MehrLudwig von Auer. Ökonometrie. Eine Einführung. Dritte, überarbeitete Auflage mit 65 Abbildungen und 55 Tabellen. < J Springer
Ludwig von Auer Ökonometrie Eine Einführung Dritte, überarbeitete Auflage mit 65 Abbildungen und 55 Tabellen < J Springer Inhaltsverzeichnis 1 Einleitung 1 1.1 Braucht man ökonometriker? 1 1.2 Was ist
Mehrd log q t =4, 17 0, 247 log p t +0, 960 log m t, (1) wobei
Klausur: Einführung in die Ökonometrie (Veranstaltungs-Nr. 940, 4 GHP) Prüfer: Prof. Dr. Karl-Heinz Paqué Dr.Ludwigv.Auer Semester: SS 2000 Als Hilfsmittel sind zugelassen: nicht-programmierbarer Taschenrechner
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
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
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
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
MehrLudwig von Auer. Ökonometrie. Eine Einführung. 6., durchgesehene und aktualisierte Auflage. Springer Gabler
Ludwig von Auer Ökonometrie Eine Einführung 6., durchgesehene und aktualisierte Auflage Springer Gabler Inhaltsverzeichnis 1 Einleitung 1 1.1 Braucht man ökonometriker? 1 1.2 Was ist Ökonometrie? 2 1.3
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
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
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
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
MehrSpringer-Lehrbuch. Ökonometrie. Eine Einführung. von Ludwig Auer. 5. überarb. u. erw. Aufl.
Springer-Lehrbuch Ökonometrie Eine Einführung von Ludwig Auer 5. überarb. u. erw. Aufl. Ökonometrie Auer schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG Springer-Verlag Berlin Heidelberg
MehrKapitel XI - Operationscharakteristik und Gütefunktion
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XI - Operationscharakteristik und Gütefunktion Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo
Mehr7., durchgesehene und aktualisierte Auflage
Ludwig von Auer Ökonometrie Eine Einführung 7., durchgesehene und aktualisierte Auflage ^ Springer Gabler Inhalt 1 Einleitung 1 1.1 Braucht man Ökonometriker? 1 1.2 Was ist Ökonometrie? 2 1.3 Die vier
MehrKapitel XIV - Anpassungstests
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIV - Anpassungstests Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh 2. Grundannahme:
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine Universität Düsseldorf 13. Januar 2010 Termine Letzte Vorlesung am 28.01.2010 Letzte Übung am 27.01.2010, und zwar für alle Anfangsbuchstaben
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
MehrStatistische Tests Übersicht
Statistische Tests Übersicht Diskrete Stetige 1. Einführung und Übersicht 2. Das Einstichprobenproblem 3. Vergleich zweier unabhängiger Gruppen (unverbundene Stichproben) 4. Vergleich zweier abhängiger
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
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
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
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
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
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
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
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
MehrAuswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
MehrKapitel IX - Neyman-Pearson-Tests
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel IX - Neyman-Pearson-Tests Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Ausgangssituation:
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:
MehrStatistiken deuten und erstellen
Statistiken deuten und erstellen Dipl. Ök. Jens K. Perret, M.Sc. Evgenija Yushkova, M.A. Schumpeter School of Business and Economics Bergische Universität Wuppertal Gaußstraße 20 42097 Wuppertal Inhalt
MehrKapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Gleichmäßig beste unverfälschte Tests und Tests zur Normalverteilung Induktive Statistik Prof. Dr. W.-D.
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
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
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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...
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
MehrFallzahlplanung bei unabhängigen Stichproben
Fallzahlplanung bei unabhängigen Stichproben Seminar Aktuelle biometrische Probleme Benjamin Hofner benjamin.hofner@stat.uni-muenchen.de 12. Januar 2005 Übersicht 1. Einführung und Grundlagen der Fallzahlplanung
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
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
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
Mehrk np g(n, p) = Pr p [T K] = Pr p [T k] Φ. np(1 p) DWT 4.1 Einführung 359/467 Ernst W. Mayr
Die so genannte Gütefunktion g gibt allgemein die Wahrscheinlichkeit an, mit der ein Test die Nullhypothese verwirft. Für unser hier entworfenes Testverfahren gilt ( ) k np g(n, p) = Pr p [T K] = Pr p
MehrTest von Hypothesen: Signifikanz des Zusammenhangs (F-Test)
Test von Hyothesen: Signifikanz des Zusammenhangs (F-Test) Die Schätzung der Regressionsfunktion basiert auf Daten einer Stichrobe Inwiefern können die Ergebnisse dieser Schätzung auf die Grundgesamtheit
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
Mehra) Man bestimme ein 95%-Konfidenzintervall für den Anteil der Wahlberechtigten, die gegen die Einführung dieses generellen
2) Bei einer Stichprobe unter n=800 Wahlberechtigten gaben 440 an, dass Sie gegen die Einführung eines generellen Tempolimits von 100km/h auf Österreichs Autobahnen sind. a) Man bestimme ein 95%-Konfidenzintervall
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
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrHypothesentests mit SPSS. Beispiel für einen t-test
Beispiel für einen t-test Daten: museum-f-v04.sav Hypothese: Als Gründe, in ein Museum zu gehen, geben mehr Frauen als Männer die Erweiterung der Bildung für Kinder an. Dies hängt mit der Geschlechtsrolle
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
MehrBiometrische und Ökonometrische Methoden I! Lösungen 9
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 98/99 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 9 1. a) MTB > name c1 'DM'
MehrEs sei x 1. Zeigen Sie mittles vollständiger Induktion, dass dann für jede natürliche Zahl n 0 gilt: n x k = 1 xn+1 1 x.
Aufgabe 1. (5 Punkte) Es sei x 1. Zeigen Sie mittles vollständiger Induktion, dass dann für jede natürliche Zahl n 0 gilt: n x k = 1 xn+1 k=0 1 x. Aufgabe 2. (7 Punkte) Bestimmen Sie das folgende Integral
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
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
Mehr5. Seminar Statistik
Sandra Schlick Seite 1 5. Seminar 5. Seminar Statistik 30 Kurztest 4 45 Testen von Hypothesen inkl. Übungen 45 Test- und Prüfverfahren inkl. Übungen 45 Repetitorium und Prüfungsvorbereitung 15 Kursevaluation
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
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,
Mehr2.3 Nichtlineare Regressionsfunktion
Nichtlineare Regressionsfunktion Bisher: lineares Regressionsmodell o Steigung d. Regressionsgerade ist konstant o Effekt einer Änderung von X auf Y hängt nicht vom Niveau von X oder von anderen Regressoren
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
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
Mehr2 Wiederholung statistischer Grundlagen Schließende Statistik empirischen Information aus Stichprobenrealisation x von X
Hypothesentests Bisher betrachtet: Punkt- bzw. Intervallschätzung des unbekannten Mittelwerts Hierzu: Verwendung der 1 theoretischen Information über Verteilung von X empirischen Information aus Stichprobenrealisation
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
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
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
Breusch-Pagan-Test I Ein weiterer Test ist der Breusch-Pagan-Test. Im Gegensatz zum Goldfeld-Quandt-Test ist es nicht erforderlich, eine (einzelne) Quelle der Heteroskedastizität anzugeben bzw. zu vermuten.
Mehr13. Übungswoche - Lösungen
1 13. Übungswoche - Lösungen Kapitel 12: Varianzanalyse (Fortsetzung) [ 3 ] a) Es gibt deutliche Unterschiede, die Gruppen 2, 3, 7 und 9 liegen deutlich tiefer. b) F = DQ(gruppe)/DQ(Residuals) = 25.13/6.19
MehrDer Ablauf bei der Erstellung empirischer Arbeiten
1 Prof. Dr. Werner Smolny SS 2002 Einführung in die empirische Wirtschaftsforschung Der Ablauf bei der Erstellung empirischer Arbeiten A Die wirtschaftliche Fragestellung und das theoretische Modell 1.
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
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrBiometrische und Ökonometrische Methoden I Lösungen 9
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 00/01 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I Lösungen 9 1. a) MTB > Retrieve "H:\STUDENT\MINITAB\OPELVW.MTW".
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
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
MehrHypothesentests für Erwartungswert und Median. Statistik (Biol./Pharm./HST) FS 2015
Hypothesentests für Erwartungswert und Median Statistik (Biol./Pharm./HST) FS 2015 Normalverteilung X N μ, σ 2 X ist normalverteilt mit Erwartungswert μ und Varianz σ 2 pdf: pdf cdf:??? cdf 1 Zentraler
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
Mehr- Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden.
Normalverteilung und Standardnormalverteilung als Beispiel einer theoretischen Verteilung - Normalverteilung (Gaußverteilung) kann auf sehr viele Zufallsprozesse angewendet werden. - Stetige (kontinuierliche),
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
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrDie Schätzung einer Produktionsfunktion
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
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...
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
MehrFERNUNIVERSITÄT IN HAGEN WIRTSCHAFTSWISSENSCHAFT
FERNUNIVERSITÄT IN HAGEN FAKULTÄT WIRTSCHAFTSWISSENSCHAFT Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. A. Kleine Lehrstuhl für Angewandte
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
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
MehrStatistische Analyse hydrologischer Daten (HW Berechnung)
Lehrstuhl für Hydrologie und Wasserwirtschaft BTU Cottbus Statistische Analyse hydrologischer Daten (HW Berechnung) Übung zur Hochwasserstatistik Datensatz: jährliche Maximalabflüsse der Spree in Cottbus
MehrNachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14
Prof. Dr. Rainer Schwabe 08.07.2014 Otto-von-Guericke-Universität Magdeburg Institut für Mathematische Stochastik Nachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14 Name:, Vorname: Matr.-Nr.
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version:
MehrNachholklausur Mathematik IV für Bachelor WIF und IF. Teil I : Stochastik
Otto-von-Guericke-Universität Magdeburg Montag, 02.02.09 Fakultät für Mathematik Prof. Dr. W. Kahle, Priv.-Doz. Dr. M. Kunik Wichtig: Nachholklausur Mathematik IV für Bachelor WIF und IF Teil I : Stochastik
Mehr1 Einleitung. 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen?
1 Einleitung 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen? Idee der Ökonometrie: Mithilfe von Daten und statistischen Methoden Zusammenhänge zwischen verschiedenen Größen messen. Lehrstuhl
MehrKapitel VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002 1. Ein Chemiestudent hat ein Set von 10 Gefäßen vor sich stehen, von denen vier mit Salpetersäure Stoff A), vier mit Glyzerin Stoff
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 25. Januar 2013 1 Der χ 2 -Anpassungstest 2 Exakter Test nach Fisher Mendelsche Erbregeln als Beispiel für mehr
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
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.
Mehr10. Die Normalverteilungsannahme
10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man
Mehr