DYNAMISCHE PANEL-MODELLE

Größe: px
Ab Seite anzeigen:

Download "DYNAMISCHE PANEL-MODELLE"

Transkript

1 UIVERSIÄ IE ISIU FÜR VOLKSIRSCHAFSLEHRE MAI 005 SEMIARARBEI DAMISCHE PAEL-MODELLE BEARBEIE VO SEPHA SHARMA ( FÜR ÖKOOMERISCHE MEHODE FÜR PAELDAE LEHRVERASALUGS-LEIER: PROF ROBER KUS

2 IHALSVERZEICHIS EILEIUG DER BIAS VO LSDV IM DAMISCHE FE-MODELL 3 3 DER BIAS VO OLS IM DAMISCHE RE-MODELL 6 3 DER BIAS VO GLS IM DAMISCHE RE-MODELL8 4 SCHÄZVERFAHRE FÜR DAS DAMISCHE FE/RE-MODELL 9 4 ADERSO UD HSIAO (98, ARELLAO UD BOD (99 4 DAMISCHES FE/RE-MODELL - OHE EXOGEE REGRESSORE 3 4 DAMISCHES FE/RE-MODELL - SRIK EXOGEE REGRESSORE7 43 DAMISCHES FE/RE-MODELL - ICH SRIK EXOGEE REGRESSORE8 43 KIVIE ( MOE CARLO ERGEBISSE VO JUDSO UD OE ( LIERAURVERZEICHIS EILEIUG In der Vorlesung haben wr Methoden zur Schätzung statscher Panel- Modelle kennen gelernt Es gbt jedoch auch oft Stuatonen n denen man daran nteressert st Panel-Daten zur Schätzung ener dnamschen Bezehung zu verwenden, bespelswese, wenn es sch um enen ökonomschen Zusammenhang handelt Dese dnamschen Bezehungen wesen aber das besondere Merkmal auf, dass unter den Regressoren de zetlch verzögerte abhängge Varable aufschent, β + t γ, t + xt ut,, ; t,, ( wobe x en ( t K Vektor aus exogenen Regressoren st r nehmen dabe an, dass u t enem one-wa Fehler-Komponenten Modell folgt, ut µ + ( t

3 wobe t ~ IID(0,, µ ene Konstante (FE-Modell oder σ µ ~ IID(0, σ µ (RE-Modell st und t und snd µ unabhängg vonenander De Gegenwart der abhänggen Varable auf der rechten Sete der Glechung hat nun zur Konsequenz, dass de n den statschen Panel- Modellen üblcherwese verwendeten Schätzverfahren zu verzerrten und nkonsstenten (n Abhänggket von der Stchprobengröße Schätzern führen In den folgenden beden Kapteln, de m esentlchen auf ckell (98 und HSIAO (986 zurückgehen, soll der Bas für dese Schätzer bestmmt und deren asmptotsches Verhalten untersucht werden Daran anschleßend sollen dann konsstente Schätzmethoden für das obge Modell präsentert und spezell für Zetrehenpanels unter Verwendung der Monte Carlo Ergebnsse von JUDSO und OE (999 mtenander verglchen werden DER BIAS VO LSDV IM DAMISCHE FE-MODELL r wollen zunächst der otaton von ckell (98 folgen und das dnamsche FE/RE-Modell ohne exogene Regressoren betrachten, sprch wobe γ < γ µ + t, t + t (3 Aus der Vorlesung st uns berets de Formel für den LSDV-Schätzer bekannt und kann daher für das dnamsche Modell sofort angeschreben werden, [( Q Q ] ( Q Q ˆLSDV γ Man beachte, dass de hergeleteten Resultate unabhängg von der Anwesenhet exogener Regressoren snd 3

4 γ + t t ( t ( t, t (, t (, t, t,, ( t, ( t, (4 wobe t t enner jewels mt,,, t t Egenschaften (de Konsstenz von, t und m Zähler und t erwetert wurde, um de asmptotschen γˆ LSDV analseren zu können Es st offenschtlch, dass der LSDV-Schätzer m dnamschen FE-Modell verzerrt st, denn (, t, st mt ( t korrelert Da auch, t enthält und de abhängge Varable t nach Modellformulerung mt t korrelert st, muss auch, t mt, t korrelert sen Aus der Formel (4 wrd jedoch auch erschtlch, dass unser LSDV-Schätzer nur dann konsstent st, wenn der zwete Ausdruck gegen ull konvergert En Verdenst von ckell (98 war es mt Hlfe des Gesetzes der Großen Zahlen gezegt zu haben, dass für : t t ( (, t Damt lässt sch für, ( t p σ und ( γ + γ ( γ p γ ( γ + γ γ ( γ (6 der so genannte ckell-bas des LSDV- σ, t, Schätzers m dnamschen FE-Modell berechen: (5 4

5 p + γ γ γ γ ( ˆ γ γ ( ( ( γ γ γ (7 Für glt also ˆ γ γ, wel (5 dann gegen ull und (6 gegen ene Konstante konvergert bzw (7 gegen ull konvergert Hngegen für fxes st γˆ nkonsstent, denn sowohl der Zähler als auch der enner von (4 konvergeren gegen ene Konstante verscheden von ull, unabhängg davon we groß st r haben somt folgendes wchtges Resultat hergeletet: - wenn groß st dann verschwndet der Bas von γˆ und - wenn klen st und γ > 0 dann wrd der Bas von γˆ mmer negatv sen (vgl dazu (7 Be Panels aus der Mkroökonome, de tpscherwese ene klene Zetdmenson aufwesen, kann somt deser Bas des LSDV-Schätzers m dnamschen FE-Modell ncht gnorert werden, selbst für 0 und γ 0,5 würde der asmptotsche Bas 0, 67 ausmachen Auch wenn wr nun anstatt dem Modell (3 jetzt das Modell ( mt exogenen Varablen betrachten, so blebt der LSDV-Schätzer für klene weterhn verzerrt Aufgrund der erhaltenen Ergebnsse könnte man nun zu dem Schluss kommen, dass wenn man en Panel aus der Makroökonome hat, be dem üblcherwese ene lange Zetdmenson exstert, der ckell-bas vernachlässgbar klen st Es drängt sch dabe jedoch unwegerlch de Frage auf, we groß sen muss, damt man den Bas des LSDV-Schätzers m dnamschen FE-Modell gnoreren kann JUDSO und OE (999 haben desbezüglch ene Monte Carlo Analse durchgeführt und sowohl den Bas des LSDV- als auch des OLS-Schätzers m dnamschen FE-Modell ( für verschedene Stchprobengrößen mtenander verglchen: 5

6 - der Bas von γˆ st deutlch größer als jener von βˆ, sowohl für de OLS- als auch für de LSDV-Methode - we m statschen FE-Modell st auch m dnamschen der OLS- Schätzer für γ und β verzerrt - de Monte Carlo Ergebnsse bestätgen das oben hergeletete Resultat von ckell (98, dass der Bas des LSDV-Schätzers mt γ wächst und mt fällt - für 5 und 0 st der Bas des LSDV-Schätzers für γ sehr groß, wobe er für 0 unter 30% und für 5 über 50% des wahren ertes von γ legt - selbst für 0 und 30 muss man enen Bas des LSDV- Schätzers von bs zu 8% und von bs zu 0% des wahren Koeffzenten-erts erwarten De erhaltenen Ergebnsse legen demnach nahe, selbst für Panels mt ener langen Zetdmenson ( 30 von der Verwendung der LSDV-Methode abstand zu nehmen, da de Größe des Bas ncht gnorert werden kann 3 DER BIAS VO OLS IM DAMISCHE RE-MODELL r betrachten nun wederum das Modell (3, jedoch unter der Annahme, dass µ nun zufällg st Im statschen Fall, wo wr mplzt angenommen haben, dass alle unabhänggen Varablen exogen und somt mt den Fehlern ncht korrelert snd, war es uns möglch de Struktur der Fehler- Komponente zu gnoreren und enfach ene OLS-Schätzung durchzuführen Obwohl der OLS-Schätzer m statschen RE-Modell ncht effzent st, wssen wr, dass er en unverzerrter Schätzer st Im dnamschen RE-Modell können wr aber ncht mehr so enfach de Struktur der Fehler-Komponente Außeracht lassen, denn nun trtt Korrelaton zwschen der zetlch verzögerten abhänggen Varable und dem ndvduellen zufällgen Effekt auf, de zu enem verzerrten und 6

7 nkonsstenten OLS-Schätzer führt Der Grund dafür st, dass t ene Funkton von µ st und damt auch, t als Regressor von µ abhängg sen muss r wollen nun weder de Größe deses Bas bestmmen und sen asmptotsches Verhalten (Konsstenz analseren Dazu schreben wr zunächst den OLS-Schätzer für das dnamsche RE-Modell (3 an: γ + ˆ γ ( OLS t t t t, t, t t ( µ, t + Anhand von Formel (8 wrd also, we oben beschreben, deutlch, dass der OLS-Schätzer verzerrt st, da, t nach Modell-Konstrukton mt µ korrelert st Es st ebenso offenschtlch, dass γˆ OLS nur dann konsstent st, wenn der zwete Ausdruck n (8 gegen ull konvergert Ähnlch we n Kaptel kann man weder zegen, dass für : t, t, t t (8 p ( µ + Cov(, µ t γ γ 0 ( γ [( γ γ ] + σ µ + (9 und + t ( γ, t p γ γ γ γ γ µ ( 0 + γ ( γ Cov (, µ 0 + (0, σ σ µ ( γ γ γ + γ γ [( γ + γ ] 7

8 wobe üblcherwese der Startwert 0 als konstant und beschränkt angenommen wrd,0 als enn entweder, oder bede gegen unendlch konvergeren, dann konvergeren (9 und (0 zu unterschedlchen postven Konstanten, abhängg von σ µ undγ De OLS-Methode führt demnach m dnamschen RE-Modell zu ener nkonsstenten Schätzung des Autokorrelatonskoeffzentenγ Deses Resultat blebt auch erhalten, wenn man anstatt ener unendlchen ene endlche Stchprobe betrachtet Man beachte, dass m Untersched zum LSDV-Schätzer aus dem dnamschen FE-Modell der OLS-Schätzer aus dem dnamschen RE-Modell auch für große Stchproben verzerrt st Verwendet man nun anstelle des Modells (3 das Modell ( als RE-Modell, so blebt der OLS-Schätzer für γ weterhn nach oben verzerrt, während der Schätzer für de exogenen Varablen β nach unten n Rchtung ull verzerrt wäre 3 DER BIAS VO GLS IM DAMISCHE RE-MODELL Aus dem statschen RE-Modell st uns noch bekannt, dass der GLS- Schätzer, m Untersched zum OLS-Schätzer, BLUE st enden wr uns daher als nächstes dem GLS-Schätzer für das dnamsche RE-Modell (3 zu: ˆ γ ( P ( P ( P ( P GLS, t ( µ + t γ (8, t t + t Dadurch glt: Cov ( 0, µ 0 8

9 Man beachte, de ransformaton von allen Varablen mt der Matrx P ändert auch nchts daran, dass der GLS-Schätzer ebenso we der OLS- Schätzer verzerrt und sowohl für unendlche als auch endlche Stchproben nkonsstent st e wr also gesehen haben, macht es weng Snn de aus den statschen Panel-Modellen kennen gelernten Schätzverfahren auch n dnamschen Panel-Modellen anzuwenden, da de dabe erhaltenen Schätzer, nsbesondere für de Autokorrelatonskoeffzenten, verzerrt und nkonsstent snd 4 SCHÄZVERFAHRE FÜR DAS DAMISCHE FE/RE-MODELL Aus dem statschen Panel-Modell wssen wr, dass wr, unabhängg davon, ob de µ s als fx oder zufällg angenommen werden, unter zur Hlfenahme der ransformatonsmatrx Q dese ndvduell spezfschen Effekte auslöschen können und wr dann (sowohl für das FE- als auch für das RE-Modell enen unverzerrten und konsstenten Schätzer für β erhalten würden Ähnlch dem statschen Fall wollen wr zunächst, um enen konsstenten Schätzer herzuleten, de ndvduellen fxen/zufällgen Effekte aus dem Modell ( mt der Fehlerstruktur ( entfernen Jedoch schent es dabe von Vortel zu sen, anstatt der ransformaton der Varablen mt der Matrx Q deren erste Dfferenz zu nehmen: 3 ( γ ( + ( x x β + ( t t, t γ, t, t + x t, t β + t t, t t, t (, 3 Deses Vorgehen lässt sch damt begründen, dass man dadurch de auftretende Korrelaton zwschen der zetlch verzögerten abhänggen Varable und dem Fehlerterm besser berückschtgen kann 9

10 wobe für de erste Dfferenz der jewelgen Varable steht Es trtt dabe offenschtlch das Problem auf, dass de zetlch verzögerte dfferenzerte abhängge Varable, ( ( t, t, t, t, mt dem dfferenzerten Fehlerterm,, korrelert st Man beachte, dass deses Problem auch auftreten würde, wenn man anstatt der ersten Dfferenz de ransformaton mt der Matrx Q anwenden würde, denn dann wären und (, t, ( t mtenander korrelert Damt man aber dennoch enen konsstenten Schätzer für de Parameter erhält, müssen nun Instrumente verwendet werden, de zum enen mt ( korrelert und zum anderen ncht mt (, t, t korrelert t, t snd De n der Lteratur angeführten Methoden zur Schätzung der Parameter aus ( unterscheden sch m esentlchsten genau n der Beantwortung der Frage, welche und we vele Instrumente für de zetlch verzögerte dfferenzerte abhängge Varable verwendet werden sollen, um ncht nur enen konsstenten, sondern auch enen effzenten Schätzer zu erhalten 4 ADERSO UD HSIAO (98, 98 ADERSO und HSIAO (98 haben zwe verscheden Instrumente für vorgeschlagen:, t - entweder man verwendet, t sowe, wenn vorhanden, de enmal dfferenzerten exogenen Regressoren als Instrumente - oder man wählt als Instrument ( enmal dfferenzerten exogenen Regressoren sowe de, t, t, t3 Bedes snd zulässge Instrumente, denn se snd mt ( korrelert, aber mt ( t, t, t, t unkorrelert und lefern somt sowohl für als auch für konsstente Schätzer 0

11 ARELLAO (989 hat gezegt, dass de Verwendung von t als Instrument zu enem Schätzer mt ener sehr großen Varanz führt ARELLAO und BOD (99 sowe KIVIE (995 haben anhand von Smulatonen bestätgt, dass man mt t als Instrument enen besseren Schätzer erhält Der ADERSO und HSIAO ( AH Schätzer für das Modell ( mt, t und den dfferenzerten Regressoren (wurden als exogen angenommen als Instrumente lässt sch damt folgendermaßen,, anschreben: ( X ˆ δ (, AH wobe δˆ AH für den geschätzten Koeffzentenvektor von γˆ und βˆ 4 steht, ene ( K Regressoren-Matrx und Varablen snd: 5 Instrumenten-Matrx, X ene ( K en ( Vektor mt unabhänggen,, x x,3, x x,3, x x K,3 K, ( K ( 4 βˆ st nach Modellformulerung ( en ( K Vektor und γˆ st en Skalar 5 Man beachte, durch das Dfferenzeren des Modells ( hat man nun nur noch ( Beobachtungen zur Verfügung, denn man muss sch (, t, t berechnen, während man m ursprünglchen Modell ( noch ( hatte

12 ( K K K x x x x x x X,,,,,3,3,3, (3 (,,3 (4 ( K ( K X X X ( (5 4 ARELLAO UD BOD (99 ARELLAO und BOD (99 sehen als enen achtel der AH-Methode, dass dese ncht alle verfügbaren Momenten-Bedngungen ausnützt und zudem ncht de dfferenzerte Fehler-Struktur ( t berückschtgt,

13 weshalb der AH-Schätzer zwar ene konsstente, aber ncht notwendgerwese effzente Schätzung der Parameter des dnamschen FE/RE-Modell lefert Zur Behebung deser Schwachstellen haben ARELLAO und BOD (99 ene verallgemenerte Momenten-Methode (engl Generalzed Method of Moments, GMM vorgeschlagen, um enen effzenteren Schätzer als den AH-Schätzer zu erhalten 4 DAMISCHES FE/RE-MODELL - OHE EXOGEE REGRESSORE ARELLAO und BOD haben argumentert, dass man zusätzlche Instrumente gewnnt, wenn man de Orthogonaltäts-Bedngungen, de zwschen der zetlch verzögerten abhänggen Varable, t, und dem Fehler, t, exsteren, ausnützt Um deses Argument besser zu verstehen, betrachten wr zunächst nur das dnamsche FE/RE-Modell (3, sprch, ohne exogene Varablen, n der ersten Dfferenz: ( γ ( + ( t t, t γ, t, t + t, t t, t (6 Für t 3, de erste Perode, de wr n (6 beobachten können, da wegen zwe Beobachtungen wegfallen, haben wr de folgende Glechung:, t ( γ ( + ( (7, 3,,,,3, In desem Fall wäre en zulässges Instrument für, (st mt 3 korrelert,, denn deses st sowohl mt, korrelert, als auch mt,3 unkorrelert bzw um n der Sprache von ARELLAO und BOD zu, bleben, st orthogonal zu 3 Betrachten wr als nächstes de Perode t 4 : ( γ ( + ( (8, 4,3,3,,4,3 De zulässgen Instrumente für, 3 snd nun sowohl,, als auch,, da bede ncht mt, 4 korrelert snd, 3

14 Man kann das nun so fortsetzen und mt jeder weteren Perode en neues Instrument hnzufügen, sodass man für Peroden de folgende Menge an zulässgen Instrumenten erhält: ( (9,,,,,, Damt st de Instrumenten-Matrx nach ARELLAO und BOD für das Modell (3 ene block-dagonale Matrx, wobe m ersten Block für de erste Perode, als Instrument, m zweten Block für de zwete Perode, und, als Instrument, und m ( als Instrumente stehen:,,,,,, -Block für de letzte Perode,, 0,,,,3,, 0, ( ( ( (0 ( ( ( ( Dese Instrumenten-Methode berückschtgt aber noch mmer ncht den dfferenzerten Fehlerterm, was aber nach ADERSO und HSIAO notwendg st, da ( t t, t enem MA(-Prozess mt enem Unt 4

15 5 Root entsprcht Schauen wr uns daher als nächstes de Varanz-Kovaranz ( VC -Matrx des dfferenzerten Fehlerterms an: ( ( I G E σ ( wobe (,,3 ( (3 ( ( 0 0 G (4 6 Man beachte, aufgrund der Struktur der VC-Matrx von wrd verständlch, dass ene OLS-Instrumenten-Schätzung ncht snnvoll st, denn de OLS-Standardannahme ( I E σ st verletzt Es betet sch daher für de GMM-Methode ene GLS-Instrumenten-Schätzug an, da de Fehler Korrelaton aufwesen r haben nun de notwendgen Ingredenzen um den ARELLAO und BOD Schätzer zu bestmmen Dazu schreben wr uns zur besseren Verständlchket nochmals unser verwendetes dnamsches 6 De Matrx G hat also ene enfache Struktur, n der Hauptdagonale weßt se mmer auf und n den ersten ebendagonalen steht mmer -

16 6 Regressonsmodell (3 n der ersten Dfferenz und unter Verwendung der Instrumenten-Matrx für an: γ + (5 wobe (,,, (,, (6 Man beachte, dass unter der Verwendung der Instrumenten-Matrx sch de VC-Matrx der dfferenzerten Fehler zu ( ( [ ] ( G I E σ ändert Damt erhält man für das Modell (5 folgenden GLS-Schätzer: ( [ ] { } ( ˆ G I GMM σ γ ( [ ] { } G I σ ( [ ] { } ( [ ] { } G I G I (7 Deser Schätzer wrd n der Lteratur üblcherwese als enstufger GMM- Schätzer bezechnet Den zwestufgen GMM-Schätzer erhält man, wenn man de n (7 verwendete VC-Matrx der dfferenzerten Fehler durch de aus dem enstufgen GMM-Schätzer erhaltenen dfferenzerten Resduen ersetzt, sprch ( G G I (8 wrd ersetzt durch

17 ( ( ˆ ˆ ˆ ˆ (9 Der zwestufge ARELLAO und BOD GMM-Schätzer seht dann folgendermaßen aus: ˆ γ { [( ˆ( ] } [( ( ˆ ˆ ] { } GMM ˆ ( enn de t, we üblcherwese n Panel-Modell angenommen, unabhängg und dentsch vertelt snd mt Erwartungswert ull und konstanter Varanz σ, dann snd der enstufge und der zwestufge GMM-Schätzer asmptotsch äquvalent Zur Vollständgket wollen wr nun auch de beden GMM-Schätzer für das (30 Regressonsmodell ( herleten Dabe st es jedoch unterscheden, ob t strkt exogen, dh ( 0 x strkt exogen, dh ( 0 E t > s und ull sonst, st x t s x t s wchtg zu E t, s, oder ncht 4 DAMISCHES FE/RE-MODELL - SRIK EXOGEE REGRESSORE enn alle Regressoren (ausgenommen der zetlch verzögerten abhänggen Varable strkt exogen snd, dann snd alle x t konsequenterwese zulässge Instrumente für, t Damt kommt zu jedem Dagonalelement der Instrumenten-Matrx noch (, x x hnzu: x,,,, ~, x, 0 x,, x, (3 x,,, 0 x, x, ( {( + + ( [( + ] } 7

18 ~ ~ ~ ( {( + + ( [( + ]} Das Modell ( n der ersten Dfferenz und unter Verwendung deser Instrumenten-Matrx wrd demnach zu: ~ ~ ~ Xδ + (33, wobe X und δ we n Abschntt 4 defnert snd Den enstufgen und (3 zwestufgen GMM-Schätzer erhält man dann weder aus: ˆ δ ˆ δ ~ ~ ~ ~ { X [ ( I ] } G X GMM ( ~ ~ ~ X [ ( I G ] ~ { } (34 und ~ ~ ~ ~ ~ ~ ~ ~ { X [( ˆ ( ˆ ] X } { X [( ˆ ( ˆ ] } GMM ( (35 43 DAMISCHES FE/RE-MODELL - ICH SRIK EXOGEE REGRESSORE enn nun aber de Regressoren (ohne der zetlch verzögerten abhänggen Varable ncht strkt exogen snd, dann snd nur jene x t zulässge Instrumente für de glt ( 0 E t s (36 x t s Zum besseren Verständns wollen wr dazu das Modell ( n der ersten Dfferenz für t 3 anschreben: ( γ ( + ( x x β + ( (37, 3,,,,3,,3, 8

19 Es st offenschtlch, dass neben, auch x, und x, zulässge Instrumente für, snd, da x, nach Voraussetzung (36 sowohl mt,3, als auch mt, folgende Bezehung: unkorrelert st Für de nächste Perode t 4 glt de ( γ ( + ( x x β + ( (38, 4,3,3,,4,3,4,3 Damt erhält man neben, und, nun x,, x, und x, 3 als Instrumente für, 3 enn man so für alle Peroden vorgeht, dann entsteht ene blockdagonale Instrumenten-Matrx, n deren s -ter Block [ ] s,, s x, x, ( + für s,, steht: (, x, x, 0,, x, x, x,3 (39, 0 x x,,, ( ( ( Den enstufgen und zwestufgen GMM-Schätzer für das Modell ( ohne strkt exogene Regressoren erhält man dann weder über de Formeln (34 und (35, jedoch unter Verwendung der Instrumenten-Matrx ( anstatt ~ (40 9

20 43 KIVIE (995 En alternatves Schätzverfahren für das Modell ( wurde von KIVIE (995 vorgeschlagen Er hat dafür ene Formel für den Bas des LSDV- Schätzers hergeletet und empfohlen desen Bas von den geschätzten LSDV-Koeffzenten abzuzehen Für de Berechnung der Formel werden Resduen benötgt, de man aus ener AH- oder GMM-Schätzung gewnnen kann Da de Formel sehr komplex st, wrd se her ncht angeführt Be Interesse se jedoch auf KIVIE (995 verwesen 5 MOE CARLO ERGEBISSE VO JUDSO UD OE (999 JUDSO und OE (999 snd spezell für dnamsche Panels aus der Makroökonome (tpscherwese ene Zetdmenson, de wesentlch größer als de Indvdualdmenson st der Frage nachgegangen, welche von den n der Lteratur vorgeschlagenen Methoden (AH, en/zwestufge GMM und korrgerte LSDV den effzentesten Schätzer lefert Be enem Verglech des enstufgen und zwestufgen GMM-Schätzers haben se festgestellt, dass ersterer sowohl aufgrund enes nedrgeren Bas als auch aufgrund ener nedrgeren Standardabwechung zu bevorzugen st 7 Es wurden dabe jedoch ncht, we von ARELLAO und BOD (99 vorgeschlagen, alle zulässgen Instrumente verwendet ürde man aber de Anzahl der verwendeten Instrumente erhöhen, so stellt sch heraus, dass es nteressanterwese zu enem tradeoff zwschen dem durchschnttlchen Bas und der Effzenz des Schätzers kommt ährend en enstufger GMM-Schätzer, der nur zwe Instrumente (sprch zwe zetlch verzögerte erte verwendet, enen sehr gerngen Bas aufwest, lefert jener, der alle zulässgen Instrumente verwendet, ene effzentere Schätzung JUDSO und OE haben schleßlch den restrngerter GMM-Schätzer, der nur enen el aller möglchen Instrumente verwendet, 7 Deses Ergebns stmmt auch mt jenem von ARELLAO und BOD (99 und KIVIE (995 überen 0

21 empfohlen, da deser enfacher zu berechnen st (man erspart sch damt m enfachsten Fall, Modell (3, das Inverteren ener ( ( ( ( Matrx, was gerade be Makropanels mt ener langen Zetdmenson sehr aufwendg st und glechzetg zu kenem sgnfkanten Verlust an Effzenz führt Se haben abschleßend de OLS-, LSDV-, GMM-, AH-, und korrgerter LSDV-Methode mtenander verglchen, wobe se feststellten, dass alle Schätzverfahren, mt Ausnahme der OLS-Schätzung, enen sehr nedrgen Bas für de Schätzung von β aufwesen Aus desem Grund haben se für hren Verglech nur de Schätzungen des Autokorrelatonskoeffzenten γ herangezogen Alle Schätzer, mt Ausnahme des OLS, werden besser sowohl mt wachsenden als auch mt zunehmenden Demnach werden für hnrechend große Zet- und Indvdualdmensonen de Unterschede m Bas und der Effzenz der verschedenen Methoden sehr gerng Dennoch gbt es zwe Schätzer, nämlch der AH und der korrgerte LSDV, de besser als de anderen betrachteten Methoden snd Dabe lefert der AH-Schätzer den durchschnttlch nedrgsten Bas und der korrgerte LSDV-Schätzer de effzenteste Schätzung von γ Aufgrund des Ergebnsses würde sch daher für de Schätzung enes dnamschen Zetrehenpanels sowohl de AH- als auch de korrgerte LSDV-Methode empfehlen Da jedoch für Panels mt 0 der AH-Schätzer ene sehr große Standardabwechung aufwest, st es en vernünftges Vorgehen de korrgerte LSDV-Methode für Zetrehenpanels mt ener kurzen Zetdmenson (sprch 0 zu verwenden ährend sch de AH-Methode gerade für Panels mt ener langen Zetdmenson empfehlt, auch zuletzt deshalb, wel mt großem de Effzenz des AH-Schätzers zunmmt und er zudem verglechswese enfacher zu berechnen st

22 5 LIERAURVERZEICHIS [] ADERSO, und C HSIAO (98, Estmaton of Dnamc Models wth Error Components, Journal of Amercan Statstcal Assocaton, 76, [] ADERSO, und C HSIAO (98, Formulaton and Estmaton of Dnamc Models Usng Panel Data, Journal of Econometrcs, 8, 47-8 [] 3 ARELLAO, M (989, A ote on the Anderson-Hsao Estmator for Panel Data, Economc Letters, 3, [] 4 ARELLAO, M und S BOD (99, Some ests of Specfcaton for Panel Data: Monte Carlo Evdence and an Applcaton to Emploment Equatons, Revew of Economc Studes, 58, [] 5 BALAGI, BH (00, Econometrc Analss of Panel Data, nd Edton, John le & Sons [] 6 HSIAO, C (986, Analss of Panel Data, Cambrdge Unverst Press [] 7 JUDSO, RA und AL OE (999, Estmatng Dnamc Panel Data Models: A Gude for Macroeconomsts, Economc Letters, 65, 9-5 [] 8 KIVIE, JF (995, On Bas, Inconsstenc, and Effcenc of Varous Estmators n Dnamc Panel Data Models, Journal of Econometrcs, 68, [] 9 ICKELL, S (98, Bases n Dnamc Models wth Fxed Effects, Econometrca, 49, 47-46

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden. Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve

Mehr

6. Modelle mit binären abhängigen Variablen

6. Modelle mit binären abhängigen Variablen 6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch

Mehr

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord 1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für

Mehr

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree

Mehr

Erwartungswert, Varianz, Standardabweichung

Erwartungswert, Varianz, Standardabweichung RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend

Mehr

Netzwerkstrukturen. Entfernung in Kilometer:

Netzwerkstrukturen. Entfernung in Kilometer: Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.

Mehr

ω 0 = Protokoll zu Versuch E6: Elektrische Resonanz

ω 0 = Protokoll zu Versuch E6: Elektrische Resonanz Protokoll zu Versuch E6: Elektrsche esonanz. Enletung En Schwngkres st ene elektrsche Schaltung, de aus Kapaztät, Induktvtät und ohmschen Wderstand besteht. Stmmt de Frequenz der anregenden Wechselspannung

Mehr

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson

Mehr

3. Lineare Algebra (Teil 2)

3. Lineare Algebra (Teil 2) Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)

Mehr

Lösungen zum 3. Aufgabenblock

Lösungen zum 3. Aufgabenblock Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass

Mehr

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder - Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de

Mehr

-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell

-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte

Mehr

SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT

SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT Smulaton von Hybrdfahrzeugantreben mt optmerter Synchronmaschne 1 SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT OPTIMIERTER SYNCHRONMASCHINE H. Wöhl-Bruhn 1 EINLEITUNG Ene Velzahl von Untersuchungen hat sch

Mehr

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt -

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt - Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche

Mehr

Spiele und Codes. Rafael Mechtel

Spiele und Codes. Rafael Mechtel Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

Teil E: Qualitative abhängige Variable in Regressionsmodellen

Teil E: Qualitative abhängige Variable in Regressionsmodellen Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.

Mehr

Nernstscher Verteilungssatz

Nernstscher Verteilungssatz Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.

Mehr

Methoden der innerbetrieblichen Leistungsverrechnung

Methoden der innerbetrieblichen Leistungsverrechnung Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den

Mehr

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013 O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen

Mehr

Analyse von Querschnittsdaten. Bivariate Regression

Analyse von Querschnittsdaten. Bivariate Regression Analse von Querschnttsdaten Bvarate Regresson Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum 3.0.2004 20.0.2004 27.0.2004 03..2004 0..2004 7..2004

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007 Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen

Mehr

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen 196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen

Mehr

(Essentiell) τ-äquivalente Tests:

(Essentiell) τ-äquivalente Tests: (Essentell) τ-äquvalente Tests: τ-äquvalenz: Essentelle τ-äquvalenz: τ τ τ τ +λ Repräsentatonstheore (Exstenzsatz): De Tests,..., snd genau dann τ-äquvalent, wenn ene reelle Zufallsvarable η sowereellekonstantenλ,...,

Mehr

Standardnormalverteilung / z-transformation

Standardnormalverteilung / z-transformation Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ

Mehr

4. Musterlösung. Problem 1: Kreuzende Schnitte **

4. Musterlösung. Problem 1: Kreuzende Schnitte ** Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,

Mehr

Kapitel 4. Eigenschaften von OLS-Schätzfunktionen

Kapitel 4. Eigenschaften von OLS-Schätzfunktionen Kaptel 4 Egenschaften von OLS-Schätzfunktonen De Mathematk st ene Art Spelzeug, welches de Natur uns zuwarf zum Troste und zur Unterhaltung n der Fnsterns. (Jean le Rond d Alembert, 1717-1783) Wr haben

Mehr

Lineare Regression (1) - Einführung I -

Lineare Regression (1) - Einführung I - Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:

Mehr

1 BWL 4 Tutorium V vom 15.05.02

1 BWL 4 Tutorium V vom 15.05.02 1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

1 Definition und Grundbegriffe

1 Definition und Grundbegriffe 1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:

Mehr

P[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)

P[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3) Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,

Mehr

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

Mehr

FORMELSAMMLUNG STATISTIK (I)

FORMELSAMMLUNG STATISTIK (I) Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen

Mehr

18. Vorlesung Sommersemester

18. Vorlesung Sommersemester 8. Vorlesung Sommersemester Der Drehmpuls des starren Körpers Der Drehmpuls des starren Körpers st etwas komplzerter. Wenn weder de Wnkelgeschwndgket um de feste Rotatonsachse st, so wrd mt Hlfe des doppelten

Mehr

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem

Mehr

Versicherungstechnischer Umgang mit Risiko

Versicherungstechnischer Umgang mit Risiko Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über

Mehr

Boost-Schaltwandler für Blitzgeräte

Boost-Schaltwandler für Blitzgeräte jean-claude.feltes@educaton.lu 1 Boost-Schaltwandler für Bltzgeräte In Bltzgeräten wrd en Schaltwandler benutzt um den Bltzkondensator auf ene Spannung von engen 100V zu laden. Oft werden dazu Sperrwandler

Mehr

Eigenschaften des OLS-Schätzers

Eigenschaften des OLS-Schätzers Kaptel 3 Egenschaften des OLS-Schätzers De Mathematk st ene Art Spelzeug, welches de Natur uns zuwarf zum Troste und zur Unterhaltung n der Fnsterns. (Jean le Rond d Alembert, 1717-1783) Im letzten Kaptel

Mehr

Werkstoffmechanik SS11 Baither/Schmitz. 5. Vorlesung

Werkstoffmechanik SS11 Baither/Schmitz. 5. Vorlesung Werkstoffmechank SS11 Bather/Schmtz 5. Vorlesung 0.05.011 4. Mkroskopsche Ursachen der Elastztät 4.1 Energeelastztät wrd bestmmt durch de Wechselwrkungspotentale zwschen den Atomen, oft schon auf der Bass

Mehr

3.3 Lineare Abbildungen und Matrizen

3.3 Lineare Abbildungen und Matrizen 33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle

Mehr

Statistik und Wahrscheinlichkeit

Statistik und Wahrscheinlichkeit Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse

Mehr

5. ZWEI ODER MEHRERE METRISCHE MERKMALE

5. ZWEI ODER MEHRERE METRISCHE MERKMALE 5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe

Mehr

Diskrete Mathematik 1 WS 2008/09

Diskrete Mathematik 1 WS 2008/09 Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /

Mehr

Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.

Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf. Ich habe en Bespel ähnlch dem der Ansys-Issue [ansys_advantage_vol_ssue3.pdf durchgeführt. Es stammt aus dem Dokument Rfatgue.pdf. Abbldung 1: Bespel aus Rfatgue.pdf 1. ch habe es manuell durchgerechnet

Mehr

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2 1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:

Mehr

Anwendungsmöglichkeiten von Lernverfahren

Anwendungsmöglichkeiten von Lernverfahren Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen

Mehr

Einführung in Origin 8 Pro

Einführung in Origin 8 Pro Orgn 8 Pro - Enführung 1 Enführung n Orgn 8 Pro Andreas Zwerger Orgn 8 Pro - Enführung 2 Überscht 1) Kurvenft, was st das nochmal? 2) Daten n Orgn mporteren 3) Daten darstellen / plotten 4) Kurven an Daten

Mehr

Portfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe

Portfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe Portfolothore (Markowtz) Separatonstheore (Tobn) Kaptaarkttheore (Sharpe Ene Enführung n das Werk von dre Nobelpresträgern zu ene Thea U3L-Vorlesung R.H. Schdt, 3.12.2015 Wozu braucht an Theoren oder Modelle?

Mehr

8 Logistische Regressionsanalyse

8 Logistische Regressionsanalyse wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen

Mehr

Vermessungskunde für Bauingenieure und Geodäten

Vermessungskunde für Bauingenieure und Geodäten Vermessungskunde für Baungeneure und Geodäten Übung 4: Free Statonerung (Koordnatentransformaton) und Flächenberechnung nach Gauß Mlo Hrsch Hendrk Hellmers Floran Schll Insttut für Geodäse Fachberech 13

Mehr

Einführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit

Einführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket

Mehr

Neuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. .

Neuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. . Neuronale Netze M. Gruber 7.11.015 Begnnen wr mt enem Bespel. Bespel 1 Wr konstrueren enen Klasskator auf der Menge X = [ 1; 1], dessen Wrkung man n Abb.1 rechts sehen kann. Auf der blauen Telmenge soll

Mehr

Kapitel 3: Interpretation und Vergleich von Regressionsmodellen

Kapitel 3: Interpretation und Vergleich von Regressionsmodellen Kaptel 3: Interpretaton und Verglech von Regressonsmodellen 3. Interpretaton des lnearen Modells 3. Auswahl der unabhänggen Varablen 3.3 Fehlspezfkaton der funktonalen Form 3.4 Illustraton: De Erklärung

Mehr

Nomenklatur - Übersicht

Nomenklatur - Übersicht Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen

Mehr

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten

Mehr

1 Lineare Paneldatenmodelle

1 Lineare Paneldatenmodelle Lneare Paneldatenmodelle. Quellen und Arten von Paneldaten.. Haushaltspanels In der Bundesrepublk gbt es nzwschen ene Rehe bedeutender Paneldatensätze, von denen das Sozo-ökonomsche Panel prvater Haushalte

Mehr

Quant oder das Verwelken der Wertpapiere. Die Geburt der Finanzkrise aus dem Geist der angewandten Mathematik

Quant oder das Verwelken der Wertpapiere. Die Geburt der Finanzkrise aus dem Geist der angewandten Mathematik Quant der das Verwelken der Wertpapere. De Geburt der Fnanzkrse aus dem Gest der angewandten Mathematk Dmensnen - de Welt der Wssenschaft Gestaltung: Armn Stadler Sendedatum: 7. Ma 2012 Länge: 24 Mnuten

Mehr

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher. PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs

Mehr

Temporäre Stilllegungsentscheidungen mittels stufenweiser E W U F W O R K I N G P A P E R

Temporäre Stilllegungsentscheidungen mittels stufenweiser E W U F W O R K I N G P A P E R Temporäre Stlllegungsentschedungen mttels stufenweser Grenzkostenrechnung E W U F W O R K I N G P A P E R Mag. Dr. Thomas Wala, FH des bf Wen PD Dr. Leonhard Knoll, Unverstät Würzburg Mag. Dr. Stephane

Mehr

Gruppe. Lineare Block-Codes

Gruppe. Lineare Block-Codes Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung

Mehr

Fallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung

Fallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012

Mehr

6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln. 6.3.1 Allgemeines

6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln. 6.3.1 Allgemeines 6 Wandtafeln 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln 6.3.1 Allgemenes Be der Berechnung der auf de enzelnen Wandtafeln entfallenden Horzontalkräfte wrd ene starre Deckenschebe angenommen.

Mehr

Z Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden.

Z Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden. Kombnator. Problemstellung Ausgangspunt be ombnatorschen Fragestellungen st mmer ene endlche Menge M, aus deren Elementen man endlche Zusammenstellungen von Elementen aus M bldet. Formal gesprochen bedeutet

Mehr

Der stöchiometrische Luftbedarf einer Reaktion kann aus dem Sauerstoffbedarf der Reaktion und der Zusammensetzung der Luft berechnet werden.

Der stöchiometrische Luftbedarf einer Reaktion kann aus dem Sauerstoffbedarf der Reaktion und der Zusammensetzung der Luft berechnet werden. Stoffwerte De Stoffwerte für de enzelnen omponenten raftstoff, Luft und Abgas snd den verschedenen Stellen aus den Lteraturhnwesen zu entnehmen, für enge Stoffe sollen jedoch de grundlegenden Zusammenhänge

Mehr

8. MARKOVKETTEN 127. Abbildung 8.1: Reduzible und periodische Markovkette. p ji IIP[X n 1 = j] = [(IIP[X n 1 = j]) j E P ] i. j=0

8. MARKOVKETTEN 127. Abbildung 8.1: Reduzible und periodische Markovkette. p ji IIP[X n 1 = j] = [(IIP[X n 1 = j]) j E P ] i. j=0 8. MARKOVKETTEN 17 8. Marovetten Abbldung 8.1: Reduzble und perodsche Marovette 8.1. Homogene Marovetten n dsreter Zet En Prozess {X n : n IIN} hesst homogene Marovette (n dsreter Zet) mt (abzählbarem)

Mehr

Ertragsmanagementmodelle in serviceorientierten IT- Landschaften

Ertragsmanagementmodelle in serviceorientierten IT- Landschaften Ertragsmanagementmodelle n servceorenterten IT- Landschaften Thomas Setzer, Martn Bchler Lehrstuhl für Internetbaserte Geschäftssysteme (IBIS) Fakultät für Informatk, TU München Boltzmannstr. 3 85748 Garchng

Mehr

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07 Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage

Mehr

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt: Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,

Mehr

Protokoll zum Grundversuch Mechanik

Protokoll zum Grundversuch Mechanik Protokoll zum Grundversuch Mechank 3.6. In desem Grundversuch zur Mechank werden dre verschedene Arten von Pendeln untersucht. Das Reversonspendel, das Torsonspendel und gekoppelte Pendel. A. Das Reversonspendel

Mehr

Quantitatives Prognosemodell für die Anwendung des Black-Litterman-Verfahrens

Quantitatives Prognosemodell für die Anwendung des Black-Litterman-Verfahrens Quanttatves Prognosemodell für de Anwendung des Black-Ltterman-Verfahrens Franzska Felke* und Marc Gürtler** Abstract: De chätzung erwarteter Wertpaperrendten stellt ene der zentralen Aufgaben n der praktschen

Mehr

Klassische Gatter und Logikelemente. Seminarvortrag zu Ausgewählte Kapitel der Quantentheorie Quantenalgorithmen

Klassische Gatter und Logikelemente. Seminarvortrag zu Ausgewählte Kapitel der Quantentheorie Quantenalgorithmen Klasssche Gatter und Logkelemente Semnarvortrag zu Ausgewählte Kaptel der Quantentheore Quantenalgorthmen Gerd Ch. Krzek WS 2003 I. Grundlagen und Methoden der Logk: Im folgenden soll de Konstrukton und

Mehr

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6 Praktkum Physkalsche Cheme I (C-2) Versuch Nr. 6 Konduktometrsche Ttratonen von Säuren und Basen sowe Fällungsttratonen Praktkumsaufgaben 1. Ttreren Se konduktometrsch Schwefelsäure mt Natronlauge und

Mehr

Prof. Dr.- Ing. Herzig Vorlesung "Grundlagen der Elektrotechnik 1" 1etv3-4

Prof. Dr.- Ing. Herzig Vorlesung Grundlagen der Elektrotechnik 1 1etv3-4 Prof. Dr.- ng. Herzg.6 Spezelle erechnungsverfahren lnearer Netzwerke.6. Überlagerungsverfahren Der Lernende kann - den Überlagerungssatz und das darauf beruhende erechnungsprnzp lnearer Netzwerke erklären

Mehr

13.Selbstinduktion; Induktivität

13.Selbstinduktion; Induktivität 13Sebstndukton; Induktvtät 131 Sebstndukton be En- und Ausschatvorgängen Versuch 1: Be geschossenem Schater S wrd der Wderstand R 1 so groß gewäht, dass de Gühämpchen G 1 und G 2 gech he euchten Somt snd

Mehr

Übung zur Vorlesung. Informationstheorie und Codierung

Übung zur Vorlesung. Informationstheorie und Codierung Übung zur Vorlesung Informatonstheore und Coderung Prof. Dr. Lla Lajm März 25 Ostfala Hochschule für angewandte Wssenschaften Hochschule Braunschweg/Wolfenbüttel Postanschrft: Salzdahlumer Str. 46/48 3832

Mehr

50 Matrixnormen und Eigenwertabschätzungen

50 Matrixnormen und Eigenwertabschätzungen 50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt

Mehr

Der Satz von COOK (1971)

Der Satz von COOK (1971) Der Satz von COOK (1971) Voraussetzung: Das Konzept der -Band-Turng-Maschne (TM) 1.) Notatonen: Ene momentane Beschrebung (mb) ener Konfguraton ener TM st en -Tupel ( α1, α2,..., α ) mt α = xqy, falls

Mehr

AUFGABEN ZUR INFORMATIONSTHEORIE

AUFGABEN ZUR INFORMATIONSTHEORIE AUFGABEN ZUR INFORMATIONSTHEORIE Aufgabe Wr betrachten das folgende Zufallsexperment: Ene fare Münze wrd so lange geworfen, bs erstmals Kopf erschent. De Zufallsvarable X bezechne de Anzahl der dazu notwendgen

Mehr

Aufgabenteil. - wird nicht mit abgegeben - 21.03.2011, 18.00-20.00 Uhr. Fakultät für Wirtschaftswissenschaft

Aufgabenteil. - wird nicht mit abgegeben - 21.03.2011, 18.00-20.00 Uhr. Fakultät für Wirtschaftswissenschaft Fakultät für Wrtschaftswssenschaft Lehrstuhl für Volkswrtschaftslehre, nsb. Makroökonomk Unv.-Prof. Dr. Helmut Wagner Klausur: Termn: Prüfer: Makroökonome 2.03.20, 8.00-20.00 Uhr Unv.-Prof. Dr. Helmut

Mehr

4. Rechnen mit Wahrscheinlichkeiten

4. Rechnen mit Wahrscheinlichkeiten 4. Rechnen mt Wahrschenlchketen 4.1 Axome der Wahrschenlchketsrechnung De Wahrschenlchketsrechnung st en Telgebet der Mathematk. Es st üblch, an den Anfang ener mathematschen Theore enge Axome zu setzen,

Mehr

Leistungsanpassung am einfachen und gekoppelten Stromkreislauf

Leistungsanpassung am einfachen und gekoppelten Stromkreislauf hyskalsches Grundpraktkum Versuch 311 alf Erlebach Lestungsanpassung am enfachen und gekoppelten Stromkreslauf Aufgaben 1. Angabe enes theoretschen, normerten Kurvenverlaufs.. Bestmmung der gegebenen Wderstande,

Mehr

Ionenselektive Elektroden (Potentiometrie)

Ionenselektive Elektroden (Potentiometrie) III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,

Mehr

ERP Cloud Tutorial. E-Commerce ECM ERP SFA EDI. Backup. Preise erfassen. www.comarch-cloud.de

ERP Cloud Tutorial. E-Commerce ECM ERP SFA EDI. Backup. Preise erfassen. www.comarch-cloud.de ERP Cloud SFA ECM Backup E-Commerce ERP EDI Prese erfassen www.comarch-cloud.de Inhaltsverzechns 1 Zel des s 3 2 Enführung: Welche Arten von Presen gbt es? 3 3 Beschaffungsprese erfassen 3 3.1 Vordefnerte

Mehr

Beschreibende Statistik Mittelwert

Beschreibende Statistik Mittelwert Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )

Mehr

Physikalisches Anfängerpraktikum Teil 2 Versuch PII 33: Spezifische Wärmekapazität fester Körper Auswertung

Physikalisches Anfängerpraktikum Teil 2 Versuch PII 33: Spezifische Wärmekapazität fester Körper Auswertung Physkalsches Anfängerpraktkum Tel 2 Versuch PII 33: Spezfsche Wärmekapaztät fester Körper Auswertung Gruppe M-4: Marc A. Donges , 060028 Tanja Pfster, 204846 2005 07 spezfsche Wärmekapaztäten.

Mehr

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com. Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener

Mehr

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm): Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.

Mehr

Kleiner Fermatscher Satz, Chinesischer Restsatz, Eulersche ϕ-funktion, RSA

Kleiner Fermatscher Satz, Chinesischer Restsatz, Eulersche ϕ-funktion, RSA Klener Fermatscher Satz, Chnesscher Restsatz, Eulersche ϕ-funkton, RSA Manfred Gruber http://www.cs.hm.edu/~gruber SS 2008, KW 15 Klener Fermatscher Satz Satz 1. Se p prm und a Z p. Dann st a p 1 mod p

Mehr

VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE

VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen

Mehr

Online Algorithmen. k-server randomisiert Teil II

Online Algorithmen. k-server randomisiert Teil II Onlne Algorthmen k-server randomsert Tel II Ausarbetung für das Semnar Onlne Algorthmen Prof. Dr. Ro. Klen Anette Ebbers-Baumann Ansgar Grüne Insttut für Informatk Theorethsche Informatk und formale Methoden

Mehr

Projektmanagement / Netzplantechnik Sommersemester 2005 Seite 1

Projektmanagement / Netzplantechnik Sommersemester 2005 Seite 1 Projektmanagement / Netzplantechnk Sommersemester 005 Sete 1 Prüfungs- oder Matrkel-Nr.: Themenstellung für de Kredtpunkte-Klausur m Haupttermn des Sommersemesters 005 zur SBWL-Lehrveranstaltung Projektmanagement

Mehr

1.1 Technische Vorbemerkungen. Kapitel 1: Einführung. Vorlesung 2 SWS, Übung 1 SWS. - Vorlesung (Riphahn): Mo. und Mi. 8:00-09:30

1.1 Technische Vorbemerkungen. Kapitel 1: Einführung. Vorlesung 2 SWS, Übung 1 SWS. - Vorlesung (Riphahn): Mo. und Mi. 8:00-09:30 Kaptel : Enführung. Technsche Vorbemerkungen Vorlesung SWS, Übung SWS. Technsche Vorbemerkungen. Inhaltlche Glederung und Zele der Veranstaltung - Vorlesung (Rphahn): Mo. und M. 8:00-09:30 - Übung (Eschelbach):

Mehr

Wechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t + " I ) = 0 $ " I

Wechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t +  I ) = 0 $  I Wechselstrom Dr. F. Raemy Wechselspannung und Wechselstrom können stets we folgt dargestellt werden : U t = U 0 cos (! t + " U ) ; I ( t) = I 0 cos (! t + " I ) Wderstand m Wechselstromkres Phasenverschebung:!"

Mehr