Kurze Einführung in die Ökonometrie-Software E-Views
|
|
- Stanislaus Frei
- vor 6 Jahren
- Abrufe
Transkript
1 Kurze Einführung in die Ökonometrie-Software E-Views Folie 2 Workfile Kurze Einführung in die Ökonometrie-Software E-Views 4. November 2008 Typischerweise liegen die Daten in einem Spreadsheet -Format vor (mit den Variablenbezeichungen in der ersten Zeile). Zum Erstellen eines Workfiles aus einem Excel-Spreadsheet: File - Open Foreign data as workfile Danach hat man einen Workfile mit den einzelnen Variablen als series. Gleichzeitig wird eine group geöffnet, die alle importierten Variablen enthält. Aufgabe 1a: Speichern Sie die Datei nswdata.xls von der Internet-Seite der Veranstaltung in Ihrem Home-Verzeichnis und importieren Sie sie als Workfile in E-Views. Speichern Sie das group-objekt im Workfile (durch Bennennung, Name) Daten zu finden im Ilias-System oder unter folgendem Link: Beschreibung des NSW-Datensatzes erfolgt später, Folien 6 und 7. Kurze Einführung in die Ökonometrie-Software E-Views Folie 1 Konzepte E-Views fasst die Daten, Gleichungen usw. eines Projekts in einem Workfile zusammen. Ein Workfile besteht aus Objekten wie einer series: Die beobachteten Realisierungen einer Variablen (eines Merkmals, einer Kovariaten,...) entweder als Zeitreihe (Index: Zeitpunkt) oder als Querschnittsdaten (Index: Nr. der Beobachtung) oder als Paneldaten (Index: Zeitpunkt und Nr. der Beobachtung/des Individuums) einer group: Containerobjekt: Zusammenfassung mehrerer series in einer Tabelle (Matrix) einer equation: Regressionsgleichungen Anlegen neuer Objekte mit Object -- New Object Programme (Skripte, Zusammenfassung von E-Views Anweisungen) werden nicht im Workfile, sondern in eigenen Dateien (Endung.prg) gespeichert. Kurze Einführung in die Ökonometrie-Software E-Views Folie 3 Eine series enthält Series die beobachteten Realisierungen einer Variablen (eines Merkmals, einer Kovariaten,...) als (Spalten-) Vektor (der das betreffende Merkmal über alle Beobachtungseinheiten hinweg listet.) Alle series eines Workfiles haben die gleiche Indizierung. Sie kann beim Anlegen des Workfiles mit File - New Workfile angegeben werden (oder mit Proc - Structure/Resize nachträgl. geändert werden, interessant hauptsächl. bei Zeitreihendaten.) Unterstützt/unterschieden werden folgende Struktur-Typen: Querschnittsdaten, Typ: Unstructured/Undated Zeitreihendaten, Typ: Dated/Regular frequency Paneldaten, Typ: Balanced Panel Anschauen deskriptiver Statistiken einer series: Die betreffende series öffnen (anklicken), dann View - Descriptive Statistics - Histogram and Stats Aufgabe 1b: Schauen Sie sich die deskriptiven Stastiken der series RE78 an
2 Kurze Einführung in die Ökonometrie-Software E-Views Folie 4 Gleichungen (Equations) Erstellen einer Gleichung: Am Einfachsten mit Quick - Estimate Equation im Hauptmenü Eine Regressionsgleichung Y = β 0 + β 1 X 1 + β 2 X β k X k +U kann in der Form eingegeben werden. C steht für die Konstante. Y C X1 X2... Für Y, X1, X2 usw. sind die Namen der gewünschten series einzugeben, z.b. RE78 Es ist auch möglich, eine Funktion einzugeben, z.b. log(x1) oder X2*X2. Gleichungen werden durch Benennung (name) im Workfile gespeichert. Anschauen des Outputs: View - Estimation Output im Menü der Gleichung Anschauen der (geschätzten) Kovarianzmatrix der Regressionskoeffizienten: View - Covariance Matrix im Menü der Gleichung Kurze Einführung in die Ökonometrie-Software E-Views Folie 6 Beschreibung des NSW-Datensatzes Wir benutzen die NSW-Daten nur für Übungszwecke. Trotzdem einiges zum Hintergrund: Die NSW-Daten beziehen sich auf ein Arbeitsmarkt-Trainings-Programm aus den 1970er Jahren in den USA (NSW = National Supported Work) Eine Gruppe von Arbeitnehmern mit Schwierigkeiten am Arbeitsmarkt wurde unterteilt in die Treatment-Gruppe: Diese nahmen an dem Trainingsprogramm teil. die Kontroll-Gruppe: Mitglieder dieser Gruppe wurden sich selbst überlassen Der Trainingszeitraum war Im Mittelpunkt des Interesses steht (nicht für uns!) die kausale Wirkung des Treatments auf das Outcome, gemessen durch das post-treatment-einkommen RE78 (Einkommen im Jahr 1978). Schema: Outcome (RE78) Covariates x i (AGE, MARRIED, RE75 (pre treatment income),...) Treatment (TREAT) U(nobserved factors) Kurze Einführung in die Ökonometrie-Software E-Views Folie 5 Interpretation des Outputs einer OLS-Schätzung Kurze Einführung in die Ökonometrie-Software E-Views Folie 7 Variablen im NSW-Datensatz abh. Variable, Endogene, Y, y, y t Geschätzt mit KQ, OLS... Anz. Beobachtungen, T, N unabh. Variablen, Exogene, X, x i,t Parameter, Regr.Koeffiz., "#, "# i Std.Fehler t-werte, T*, p-werte std! "# i $% "& 'a i,i "# i ( std! "# i $ p, min α TREAT = Treatment dummy AGE = Alter (in Jahren) EDUC = Schulausbildung (in Jahren) MARR = Dummy Variable für verheiratet BLACK = Dummy Variable für schwarz HISP = Dummy Variable für spanisch-stämmig NODEGREE = Dummy Variable für kein Schulabschluss RE74 = Reales Einkommen in 1974 (vor dem potentiellen Treatment ) RE75 = Reales Einkommen in 1975 (vor dem potentiellen Treatment ) RE78 = Reales Einkommen in 1978 (nach dem potentiellen Treatment ) Bestimmtheitsmaß, R 2 adj. Bestimmthmaß, )R 2 Störtermabw. "& Resid.quadr.sum. "u' "u Regressions F-Test )y s y d Die Einkommensvariablen sind in $ gemessen. Die Datei enthält 2490 Kontroll-Beobachtungen und 185 Treatment-Beobachtungen. Die Kontrollgruppe ist im Verhältnis zur Treatment-Gruppe sehr groß ( case-cohort-study ).
3 Kurze Einführung in die Ökonometrie-Software E-Views Folie 8 Aufgabe 2: Durchführung und Interpretation einer OLS-Schätzung Führen Sie folgende Regressionen durch: (1) RE78 = β 0 + β 1 RE75 + U (2) RE78 = β 0 + β 1 RE75 + β 2 RE74 + U (3) RE78 = β 0 + β 1 RE75 + β 2 RE74 + β 3 EDUC + U (4) RE78 = β 0 + β 1 RE75 + β 2 RE74 + β 3 EDUC+ β 4 MARR + U Erklären Sie genau, was jedesmal die β i bedeuten. Insbesondere: Was bedeutet β 3? Zum Beispiel im ersten Modell: β 0 = 0.56: Eine Person mit Null Einkommen in 1975 hat im Jahr 1978 im Schnitt ein Einkommen von 5600$. β 1 = 0.84: Ein um 1$ höheres Einkommen 1975 hat im Schnitt ein um 0.84$ höheres Einkommen 1978 zur Folge. Welche Bedeutung hätte β 1 jeweils in den Modellen log(re78) = β 0 + β 1 RE75 + U RE78 = β 0 + β 1 log(re75) +U log(re78) = β 0 + β 1 log(re75) +U Kurze Einführung in die Ökonometrie-Software E-Views Folie 10 Kovarianzmatrix der Schätzung Die (geschätzte) Kovarianzmatrix der OLS-Schätzung ˆβ ist: Var(ˆβ) = ˆσ 2 (X X) 1 Dies Matrix enthält die Varianzen (und Kovarianzen) der OLS-geschätzten ˆβ i. (Grob gesagt: wie sicher ist ˆβ i, wie empfindlich reagieren die ˆβ i auf Fluktuationen in den Störtermen U?) Der Standardfehler von ˆβ i ergibt sich als Wurzel des entsprechenden Diagonalelements. Anschauen: Aus dem Menü des equation-objekts mit Coefficient Covariance Matrix View -- Covariance Matrix: C RE75 RE74 EDUC MARR C E RE E E-05 RE E E EDUC E E E E-05 MARR E E Aufgabe 3: Welchen Standardfehler hat ˆβ 0? Vergleichen Sie mit dem Estimation Output! Wie lautet der erste Eintrag oben links in der Matrix (X X) 1? Kurze Einführung in die Ökonometrie-Software E-Views Folie 9 Date: 11/03/08 Time: 01:41 Output von Aufgabe 2 C RE RE EDUC MARR R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Kurze Einführung in die Ökonometrie-Software E-Views Folie 11 Gefittete Werte und Residuen Gefittete Werte: Setze die ˆβ i in die Regressionsbeziehung (ohne die U s) ein: ŷ t := ˆβ 0 + ˆβ 1 x (1) t ˆβ k x (k) t Residuen: Betrachte die Differenz der gefitteten und tatsächlich beobachteten y s: û t := y t ŷ t Anschauen mit Eviews: View -- Actual/Fitted/Residual obs Actual Fitted Residual Residual Plot Aufgabe 4: Wie breit ist das Band im Residual Plot? Wieviele Prozent der Residuen liegen näherungsweise in diesem Band? Wieviele in einem (beidseitig) doppelt so breiten Band?
4 Kurze Einführung in die Ökonometrie-Software E-Views Folie 12 Hinzufügen von AGE; quadratischer Effekt Nimm AGE (und dann AGE 2 ) ins Modell: RE78 = β 0 + β 1 RE75 + β 2 RE74 + β 3 EDUC+ β 4 MARR + β 5 AGE + β 6 AGE 2 + U Kurze Einführung in die Ökonometrie-Software E-Views Folie 14 Aufgabe 7: Totalmodell Nehmen Sie auch noch die Dummy-Variablen HISP, BLACK und schließlich den Treatment- Indikator TREAT hinzu. Date: 11/03/08 Time: 02:59 C RE RE EDUC MARR AGE R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Date: 11/03/08 Time: 03:03 C RE RE EDUC MARR AGE AGE*AGE R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Welche Bedeutung haben die Koeffizienten von MARR, HISP und BLACK? Diskutieren Sie das Ergebnis bzgl. TREAT vor dem Hintergrund, dass, wenn nur die Variable TREAT in die Regression genommen wird, folgendes Ergebnis entsteht: Date: 11/03/08 Time: 03:39 C TREAT Alleine hat AGE signifikant negativen Effekt auf RE78 (auch: C wird insignifikant.) Bei Hinzunahme von AGE 2 : Koeffizient von AGE wird positiv, Koeffizient von AGE 2 negativ. Nach unten geöffnete Parabel mit Maximum bei β 6 /2β 5 100/5 = 20 Jahre (da das Maximum der Parabel x c + bx ax 2 bei x = b/2a angenommen wird.) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Kurze Einführung in die Ökonometrie-Software E-Views Folie 13 Aufgabe 6: Quadratischer Effekt bzgl. EDUC Fügen Sie auch EDUC 2 hinzu; Interpretieren Sie das Ergebnis. Ab welcher Ausbildungsdauer wirkt eine Verlängerung positiv auf das Einkommen? Kurze Einführung in die Ökonometrie-Software E-Views Folie 15 Date: 11/03/08 Time: 03:43 Ergebnis von Aufgabe 7: Ergebnis: Date: 11/03/08 Time: 03:22 C RE RE EDUC MARR AGE AGE*AGE EDUC*EDUC R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat C RE RE EDUC MARR AGE AGE*AGE EDUC*EDUC BLACK HISP TREAT R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat
5 Kurze Einführung in die Ökonometrie-Software E-Views Folie 16 Zusammenfassung einiger (nicht aller!) Effekte: Die Einbeziehung des pre-treatment Einkommens (RE75, RE74) erhöht das R 2 am stärksten. Nicht-linearer Effekt bzgl. AGE: nach unten geöffnete Parabel mit Scheitelpunkt etwa bei 100/(2*2.5) = 20 Jahre: Ein höheres Alter wirkt zunächst positiv (bis 20 Jahre) auf das Einkommen, dann negativ. Nicht-linearer Effekt bzgl. EDUC: nach oben geöffnete Parabel mit Scheitelpunkt etwa bei 40/(2*4) = 5 Jahre: Eine längere Schulzeit wirkt zunächst negativ (bis 5 Jahre) auf das Einkommen, dann positiv. Die meisten Regressionskoeffizienten haben wenigstens das erwartete Vorzeichen Z.B. MARR: Verheiratete haben im Schnitt ein um ca. 1200$ höheres Einkommen Treatment Effekt ist im letzten Modell zwar positiv, aber nicht signifikant. Eigentlich will man den kausalen Effekt des Treatments messen. Ohne dass die Zuteilung des Treatments randomisiert wurde, ist das mit einer einfachen Regression nicht möglich. (Vermutlich spielt ein Selektionseffekt eine Rolle: Diejenigen, die ohnehin bessere Chancen hatten, tendieren stärker dazu, am Programm teilzunehmen). Der Koeffizient von TREAT darf hier nicht als kausaler Effekt interpretiert werden.
1 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
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:
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
MehrZeitreihen-Ökonometrie, SS 2017 Lösungen Aufgabenblatt 3
Zeitreihen-Ökonometrie, SS 2017 Lösungen Aufgabenblatt 3 Aufgabe 5: Mit dem folgenden Modell soll untersucht werden, ob die Höhe der Ausgaben für Wahlkampagnen bei den amerikanischen Präsidentschaftswahlen
Mehr1 Gliederung Zeitreihenökonometrie. Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09. Dr. Sylvia Kaufmann.
Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09 Dr Sylvia Kaufmann Februar 2009 Angewandte Ökonometrie, Sylvia Kaufmann, FS09 1 1 Gliederung Zeitreihenökonometrie Einführung
MehrDas lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Das ökonomische
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
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
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
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. 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
MehrBeispiele für Prüfungsfragen Ökonometrie I und II
Beispiele für Prüfungsfragen Ökonometrie I und II Von den sieben Beispielen von Prüfungsfragen wären in einer konkreten einstündigen Prüfung etwa deren zwei zu beantworten. Aufgaben 3, 4, 6 und 7 beziehen
MehrEconometrics Übung 1. CLRM & Verletzung der Unabhängigkeitsannahme
Econometrics Übung 1 CLRM & Verletzung der Unabhängigkeitsannahme CLRM 1. Repetition: Gauss-Markov-Annahmen 2. Beispiel: Income & Consumption Verletzung der Unabhängigkeitsannahme 3. Repetition: Was passiert,
Mehr6 Nichtstationarität und Kointegration
6 Nichtstationarität und Kointegration 6.1 Kapitelübersicht, Problematik Die Analyse nichtstationärer Zeitreihen wird folgende Gesichtspunkte anschneiden: Definition von Nichtstationarität, von integrierten
MehrAllgemein zu Hypothesentests: Teststatistik. OLS-Inferenz (Small Sample) Allgemein zu Hypothesentests
OLS-Inferenz (Small Sample) K.H. Schild 3. Mai 017 Allgemein zu Hypothesentests: Teststatistik Konstruktion eines Hypothesentests erfolgt meistens über eine Teststatistik Eine Teststatistik T ist eine
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
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
MehrLösung - Übungsblatt 10
Lösung - Übungsblatt 10 Aufgabe 2: Siehe Outputfile Aufgabe 2 a) Regressionsgleichung - Equation 1: price = β 1 + β 2 lotsize + β 3 sqrft + β 4 bdrms + u i Fit: price = β 1 + β 2 lotsize + β 3 sqrft +
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
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
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
MehrFragestunde zur Übung
Prof. Bernd Fitzenberger, Ph.D. Dr. Roland Füss Aderonke Osikominu Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Wintersemester 2007/08 Fragestunde zur Übung
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
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
MehrIII. Prognosen - Teil 1
Universität Ulm 89069 Ulm Germany Dipl.-Kfm. Philipp Buss B.A. Alexander Rieber Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
MehrMikro-Ökonometrie, WS 15/16 Musterlösung Aufgabenblatt 3
Mikro-Ökonometrie, WS 15/16 Musterlösung Aufgabenblatt 3 Aufgabe 3: Die Datei WAGE2.DTA enthält Daten einer Stichprobe von 935 männlichen US-amerikanischen Arbeitnehmern im Alter von 28 bis 38 Jahren.
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
MehrAutokorrelation in den Störtermen
Autokorrelation in den Störtermen 21. Juni 2017 Autokorrelation in den Störtermen, S. 2 Auswirkungen von Störterm-Autokorrelation Wo liegen überhaupt die Probleme von OLS, wenn eine Störterm-AK vorliegt?
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
MehrLineare Regression in R, Teil 1
Lineare Regression in R, Teil 1 Christian Kleiber Abt. Quantitative Methoden, WWZ, Universität Basel October 6, 2009 1 Vorbereitungen Zur Illustration betrachten wir wieder den Datensatz CASchools aus
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 =
MehrEmpirische Wirtschaftsforschung in R
Empirische Wirtschaftsforschung in R Schätzung der keynesianischen Geldnachfragefunktion auf Basis von Daten der dänischen Volkswirtschaft Jonas Richter-Dumke Universität Rostock, Institut für Volkswirtschaftslehre
MehrAktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 2004) Forecasts und Evaluation
Aktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 24) Forecasts und Evaluation 1. Daten...2 2. Dynamische Forecasts...4 2.1 Exponential Smoothing...4 2.1.1 Double Exponential Smoothing...4 2.1.2 Holt-Winters...5
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.
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
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)
Mehrffl RENAME Λ Doppelklick auf Reihe1 Λ title Λ neuen Namen eingeben, z.b. Zins1 Λ r Reihe2 Zins2 ffl DELETE Λ Einfachklick aufzins1 Λ delete Λ d zins2
Dipl.-Ökonom Ralf Scherfling SS 2001, 1. Mai 2001 Praktikum zur empirischen Wirtschaftsforschung 1. Starten von Eviews ffl von Festplatte ffl durch Aufruf eines Workfiles ffl Workfile auf der Homepage
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
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
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
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
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
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
MehrVorlesung: Lineare Modelle. Verschiedene Typen von Residuen. Probleme bei der Regression und Diagnose. Prof. Dr. Helmut Küchenhoff.
Vorlesung: Lineare Modelle Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München SoSe 205 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen.
MehrÜbungsfragen zur Empirischen Wirtschaftsforschung
Universität Ulm 89069 Ulm Germany Professor Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
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
MehrAutoregressiv bedingte Heteroskedastie (ARCH-GARCH-Modelle)
Autoregressiv bedingte Heteroskedastie (ARCH-GARCH-Modelle) 5. Juli 017 Autoregressiv bedingte Heteroskedastie (ARCH-GARCH-Modelle) Folie Stylized Facts von (stationären) Finanzmarkt-Zeitreihen (Stationarität
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
MehrDas klassische Regressionsmodell: Ein Beispiel
1 / 43 Das klassische Regressionsmodell: Ein Beispiel Kapitel 2 Ökonometrie I Michael Hauser 2 / 43 Inhalt Ein Beispiel für das klassische, bivariate Regressionsmodell: Okun s Gesetz Das bivariate, lineare
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 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
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
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
MehrKurs Empirische Wirtschaftsforschung
Kurs Empirische Wirtschaftsforschung 5. Bivariates Regressionsmodell 1 Martin Halla Institut für Volkswirtschaftslehre Johannes Kepler Universität Linz 1 Lehrbuch: Bauer/Fertig/Schmidt (2009), Empirische
MehrMethode der kleinsten Quadrate Prinzip. OLS-Schätzung linearer Regressionsmodelle. Methode der kleinsten Quadrate Geometrische
OLS-Schätzung linearer Regressionsmodelle KH Schild 29 April 207 Agenda: OLS aus geometrischer/algebraischer Sicht (Exogenität als Orthogonalität) Bestimmtheitsmaß R 2 Erwartungswert der OLS-Schätzung
Mehr6.2 Lineare Regression
6.2 Lineare Regression Einfache lineare Regression (vgl. Kap. 4.7) Y i = θ 0 + θ 1 X i + ǫ i ǫ i (0, σ 2 ) ˆθ 1 ˆθ 0 = S XY S 2 X = 1 ( Yi n ˆθ ) 1 Xi als Lösung der Minimumaufgabe n (Y i θ 1 X 1 θ 0 )
Mehr13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017 1. Aufgabe: Für 25 der größten Flughäfen wurde die Anzahl der abgefertigten Passagiere in den Jahren 2009 und 2012 erfasst. Aus den Daten (Anzahl
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
MehrLehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im SS 2012
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im SS 2012 Aufgabe 1 (20 Punkte) Sei y = Xβ + ε ein N 1 Vektor und X eine N K Matrix.
MehrKlausur ÖKONOMETRIE für Bachelor VWL
Klausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrUnter Workfile structure type geben Sie die Struktur des gewünschten Workfiles an:
Einführung in EViews Diese Einführung bezieht sich auf die Version EViews 5.0. 1. Erstellen eines Workfiles Klicken Sie auf File/New/Workfile. Folgendes Fenster öffnet sich: Unter Workfile structure type
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
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
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
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
MehrKurs 9.3: Forschungsmethoden II
MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 01: Einführung EViews Oktober 2014 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Anmerkung 4 Das Hilfesystem von EViews 5 Workshop
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
Mehr7. Integrierte Prozesse
7. Integrierte Prozesse Bisher: Behandlung stationärer Prozesse (stationäre ARMA(p, q)-prozesse) Problem: Viele ökonomische Zeitreihen weisen im Zeitverlauf ein nichtstationäres Verhalten auf 225 Beispiel:
MehrFormale Methoden der Ökonomik: Einführung in die empirische Wirtschaftsforschung
Übung Formale Methoden der Ökonomik: Einführung in die empirische Wirtschaftsforschung BACHELOR FT 2013 (HSU) Übung Emp. WiFo FT 2013 1 / 1 Maßzahlen für den Zusammenhang zwischen Merkmalen Kontingenztabelle:
MehrKapitel 2. OLS-Schätzung. 2.1 Methode der kleinsten Quadrate 12 OLS METHODE DER KLEINSTEN QUADRATE (ALGEGRA)
2 OLS METHODE DER KLEINSTEN QUADRATE (ALGEGRA) Kapitel 2 OLS-Schätzung 2. Methode der kleinsten Quadrate Einleitung OLS aus Sicht der linearen Algebra Die Methode der kleinsten Quadrate (OLS Ordinary least
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
MehrIV. Prognosen - Teil 2
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Klaus Gründler Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
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
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
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
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
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.
MehrB. Regressionsanalyse [progdat.sav]
SPSS-PC-ÜBUNG Seite 9 B. Regressionsanalyse [progdat.sav] Ein Unternehmen möchte den zukünftigen Absatz in Abhängigkeit von den Werbeausgaben und der Anzahl der Filialen prognostizieren. Dazu wurden über
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
MehrKurzeinführung in EViews
Empirische Methoden (MA) SS 2011 Übungsblatt 1 Willi Mutschler willi.mutschler@uni-muenster.de Kurzeinführung in EViews 1. Starten Sie EViews und laden Sie das workfile Konsum.wf1 (workfiles sind das von
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrLineare Regression 1 Seminar für Statistik
Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken
MehrIV. Prognosen - Teil 2
Universität Ulm 89069 Ulm Germany B.Sc. Daniele Sabella Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2014 Übung
MehrFragen. Einführung in die induktive Statistik. Übersicht. Lineare Einfachregression
Fragen Welche Unsicherheitsfaktoren beeinflussen die Schätzung einer Regressionsgeraden? Einführung in die induktive Statistik Friedrich Leisch Institut für Statistik Ludwig-Maximilians-Universität München
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
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
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
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
MehrZeitreihenanalyse mit EViews Klassische Zeitreihenanalyse. 4.1 Empirisches Autokorrelogramm. 4.2 Exponentielle Glättungsverfahren
Zeitreihenanalyse mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 28. April 2005, Redaktion: Wagner 4 Klassische Zeitreihenanalyse
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
Mehr16.1 OLS-Schätzung eines Mehrgleichungssystems
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
MehrÜbung 1 für Geld- und Währungstheorie und -politik
Übung 1 für Geld- und Währungstheorie und -politik Zeitreihenanalyse: Geldnachfrage Frauke Dobnik Lehrtstuhl für Volkswirtschaftslehre, insb. Makroökonomie Prof. Dr. Ansgar Belke 25.11.2011 Dobnik (MAKRO)
MehrTutorium Wirtschaftsprognosen und Geldpolitik. Die Taylor Regel. 2 Die Taylor Regel. 3 Die Taylor Regel für die US-Geldpolitik. 4 Strukturbruchtest
Universität Ulm 89069 Ulm Germany Michael Elbert Alexander Rieber Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 011/01
MehrSyntax. Ausgabe *Ü12. *1. corr it25 with alter li_re kontakt.
Syntax *Ü2. *. corr it25 with alter li_re kontakt. *2. regression var=it25 alter li_re kontakt/statistics /dependent=it25 /enter. regression var=it25 li_re kontakt/statistics /dependent=it25 /enter. *3.
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
MehrPrognose. Kapitel 5. Ökonometrie I Michael Hauser
1 / 31 Prognose Kapitel 5 Ökonometrie I Michael Hauser 2 / 31 Inhalt Prognose, allgemein Prognosebeispiel Punktprognose Prognosefehler Intervallprognose Mean square error, Prognosegüte 3 / 31 Prognose
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
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
Mehr