wenn nötig mit Untertitel nicht fett geschrieben
|
|
- Anton Kästner
- vor 6 Jahren
- Abrufe
Transkript
1 SST September 2012 c BFS 1 Eidgenössisches Departement des Innern EDI Varianzschätzung bei vier Ungleichheitsindizes für Titel der Einkommensverteilungen Präsentation Schweizerische Statistiktage, Vaduz 2012 Monika Ferster Statistische Methoden / BFS 20. September 2012
2 Inhalt 1. Einleitung Titel der Präsentation 2. Varianzschätzung bei vier Ungleichheits-Indizes 3. Anwendung Haushaltsbudgeterhebung 4. Schlussfolgerungen Autor 5. Literatur der Präsentation SST 2012 c BFS 2
3 Einleitung Einkommensungleichheit wird durch staatlich geregelte Zuund Abflüsse reduziert. Titel der Präsentation + Erwerbseinkommen + Einkommen aus Vermögen und Vermietung wenn = Primäreinkommen nötig (Vortransfereinkommen) mit Untertitel + Renten und Sozialleistungen + Monetäre Transfereinkommen von anderen Haushalten = Bruttoeinkommen obligatorische Transferausgaben Monetäre Transferausgaben an andere Haushalte = Verfügbares Einkommen (Nachtransfereinkommen) Autor Das Haushaltseinkommen der Präsentation wird auf das Ein-Personen-Haushalts-Einkommen Datum (sog. Äquivalenzeinkommen) der Präsentation umgerechnet. Im Folgenden (ev. mit ist mit Anlass) Einkommen immer das monatliche Äquivalenzeinkommen gemeint. SST 2012 Einleitung c BFS 3
4 Geschätzte Einkommensverteilungen Haushaltsbudgeterhebung HABE 2007: n =3 379, ˆN = HABE07: Äquivalenzeinkommen Zoom Titel Primäreinkommen der Präsentation Bruttoeinkommen 7487 verfügbares Einkommen 4976 Äquivalenz Einkommen Äquivalenz Einkommen Datum 0.0 der Präsentation (ev. 0.2 mit Anlass) 0.8 Anteil Haushalte Anteil Haushalte SST 2012 Einleitung c BFS 4
5 Ungleichheits-Indizes Sie quantifizieren verschiedene, sich ergänzende Aspekte der Ungleichheit von Einkommensverteilungen. Titel der Präsentation Gini-Index: beschreibt den mittleren Einkommensbereich wenn Income Quintile-Share-Ratio nötig QSR: Untertitel vergleicht die hohen mit den tiefen Einkommen nicht Theil-Index: fett reagiert geschrieben eher auf hohe Einkommen Atkinson-Index: berücksichtigt besonders Veränderungen im unteren Einkommensbereich Generell: Je grösser der Indexwert, desto ungleicher die Einkommensverteilung. SST 2012 Einleitung c BFS 5
6 Haushaltsbudget-Erhebung 2009, 2008, 2007 Gini-Index QSR Jahr Primär- verfügbares Primär- verfügbares Titel Einkommen der Einkommen Präsentation Einkommen Einkommen Schwierig zu interpretieren, weil eine Genauigkeitsangabe (zb Standardabweichung oder Autor Vertrauensintervall) der Präsentation fehlt. SST 2012 Einleitung c BFS 6
7 Varianzschätzung bei vier Ungleichheits-Indizes Linearisierungs-Methode nach Deville U Population der Grösse N Titel M Mass mit M(i) der = 1 für alle ipräsentation U θ = T (M) Populationsparameter, Funktional von M wenn S U einfache Zufallsstichprobe nötig dermit Grösse n, gezogen Untertitel in U { ˆθ = T ( M) mit M(i) wi für i S = 0 für i / S w i Stichprobengewicht Definition der linearisierten Variablen ẑ k, k S: T ( ẑ k = lim M + tδ k ) T ( M) t 0 t δ k Dirac-Mass mit δ k (i) = 1 genau dann, wenn i = k, sonst 0. SST 2012 Varianzschätzung bei vier Ungleichheits-Indizes c BFS 7
8 Ableitungsregeln sind anwendbar. Varianzschätzung Sei R S die Nettostichprobe der Grösse m. Die Varianz von T ( Titel Präsentation M) kann durch diejenige der linearen Statistik i R wi ẑi approximiert werden: V (T ( M)) V ( w i ẑ i ) = N 2 (1 m N ) 1 m s2 ẑ,r, i R wobei s 2 für die Stichprobenvarianz der geschätzten linearisierten Variabeln ẑ,r ẑ k steht. Das asymptotische (1 α)-vertrauensintervall von T ( M) hat die Form ] Autor [T der ( Präsentation M) z 1 α/2 ˆV (T ( M)), T ( M) + z 1 α/2 ˆV (T ( M)), wobei z 1 α/2 das 1 α/2-quantil der Standardnormalverteilung ist. SST 2012 Varianzschätzung bei vier Ungleichheits-Indizes c BFS 8
9 Gini-Index Lorenzkurve: Zeigt zum Beispiel, dass die 20% höchsten Bruttoeinkommen 37% des gesamten Bruttoeinkommens ausmachen. HABE07: Äquivalenzeinkommen Titel der Präsentation Primäreinkommen Bruttoeinkommen verfügbares Einkommen 63% 56% Gesamteinkommensanteil % absolute Gleichheit absolute Ungleichheit 1% Anteil Haushalte Gini-Index: zweimal Fläche zwischen Diagonale und Lorenzkurve SST 2012 Varianzschätzung bei vier Ungleichheits-Indizes c BFS 9
10 Für eine endliche Population lautet der Gini-Index: G = 2 i U r i y i Y 1 N Y mit Rang r Titel i = j U der 1 {y j y i } und Einkommenstotal Y = Präsentation i U y i. Für eine Stichprobe hat man: wenn nötig G( mit Untertitel M) = 2 i S ˆr i w i y i Ŷ ˆN Ŷ 1 mit ˆr i = j S w j 1 {yj y i }, ˆN = i S w i, Ŷ = i S w i y i und der Indikatorfunktion 1 {yj y i }. Mit Definition und Ableitungsregeln erhält man die linearisierte Variable ẑ k : ẑ Datum k = 1 k 2(Ŷ ˆNŶ der w Präsentation i y i + w k y k + y kˆr k ) y k (1 + G( (ev. mit M))(Ŷ Anlass) + ˆNy k ). i=1 SST 2012 Varianzschätzung bei vier Ungleichheits-Indizes c BFS 10
11 Income Quintile Share Ratio QSR HABE 2007 Titel der Präsentation Äquivalenz Einkommen q+ = 6935 Primäreinkommen q+ = 5330 q = 2371 q = Anteil Haushalte Äquivalenz Einkommen verfügbares Einkommen Anteil Haushalte SST 2012 Varianzschätzung bei vier Ungleichheits-Indizes c BFS 11
12 QSR = Total der 20% höchsten Einkommen Total der 20% tiefsten Einkommen Titel der Präsentation wenn Eurostat Modifikation nötig mit Untertitel Mittelwert der 20% höchsten Einkommen QSR nicht EU = fett Mittelwert geschrieben der 20% tiefsten Einkommen Begründung: Autor Ist etwasder robuster. Präsentation Gleicht aus, dass die Anzahl geschätzter Einkommen im 1. und 5. Quintil unterschiedlich sein kann. SST 2012 Varianzschätzung bei vier Ungleichheits-Indizes c BFS 12
13 Für die Stichprobe S mit den Stichprobengewichten w i erhält man Titel der Präsentation i S,y i q ( M) w. iy i Das 1. Einkommensquintil q ( M) ist durch F( M, i S x) = 1 {y i x} w i = 0.2 bestimmt. Für q + ( M) gilt QSR = Ŝ80/Ŝ20 = i S w iy i i S,y i q +( M) w iy i das Analoge. i S w i Die Berechnung der linearisierten Variabeln ẑ k ist komplex. SST 2012 Varianzschätzung bei vier Ungleichheits-Indizes c BFS 13
14 Theil Index Theil(M) = 1 N Speziell gewichtetes Mittel der logarithmierten Titel der Präsentation Mittelwertsabweichungen. Atkinson Index wenn nötig ( mit Untertitel ) 1 ɛ > 0, ɛ 1: 1 A nicht fett ɛ (M) = 1 ( N geschrieben y 1 ɛ i Ȳ )1 ɛ i U A 1 (M) = 1 1 Ȳ i U Datum Bemerkung: der Je grösser Präsentation ɛ, desto mehr werden die (ev. kleineren mit Einkommen Anlass) i U y i Ȳ log( y i Ȳ ) Grenzwertrechnung und die Regel von Bernoulli-l Hôpital liefert ɛ = 1: ( ) 1 N y i berücksichtigt. ɛ = 1 ist der übliche ɛ-wert. SST 2012 Varianzschätzung bei vier Ungleichheits-Indizes c BFS 14
15 Anwendung Haushaltsbudgeterhebung Haushaltsbudgeterhebungen des BFS der Jahre 2009, 2008, 2007 Titel der Präsentation Angaben von jeweils ca Haushalten zu Einkommen/Ausgaben eines Jahres wenn Umrechnung nötig auf monatliche mit Äquivalenzeinkommen Untertitel (Ein-Personen-Haushalte) HABE2009: n = 3317, ˆN = HABE2008: n = 3438, ˆN = HABE2007: n = 3379, ˆN = Datum Variationskoeffizient der Präsentation CV = Standardabweichung (ev. mit Anlass) Schaetzwert SST 2012 Anwendung Haushaltsbudgeterhebung c BFS 15
16 Gini-Index Primäreinkommen verfügbares Einkommen Jahr Schätzung CV (in %) Schätzung CV (in %) Titel 2007 der Präsentation Gesamthaushalte Primäreinkommen Bruttoeinkommen verfügbares Einkommen Jahr Gini Index SST 2012 Anwendung Haushaltsbudgeterhebung c BFS 16
17 Primäreinkommen verfügbares Einkommen Jahr Schätzung CV (in %) Schätzung CV (in %) Titel 2007 der Präsentation Gesamthaushalte Primäreinkommen Bruttoeinkommen verfügbares Einkommen Jahr QSR mit Eurostat Modifikation SST 2012 Anwendung Haushaltsbudgeterhebung c BFS 17
18 Schlussfolgerungen Mit der Linearisierungsmethode nach Deville hat man nun: Titel Varianzschätzung der für Präsentation vier Ungleichheits-Indizes auch für Domains handlich und schnell nicht Man kann mitfett Hilfe der linearisierten geschrieben Variabeln ẑ k einen Signifikanz-Test durchführen für den Indizes-Unterschied bei: zwei verschiedenen Einkommen derselben Stichprobe zwei unabhängigen Stichproben verschiedener Jahre SST 2012 Schlussfolgerungen c BFS 18
19 Literatur Deville, J.C. (1999). Variance estimation for complex statistics and estimators: linearization and residual Titel techniques. der Survey Präsentation Methodology, 25, Guillaume Osier (2009). Variance estimation for complex indicators of poverty and inequality using linearization techniques. Survey Research Methods, 3(3), Dell F., d Haultfoeuille X., Février P., Massé E. (2002). Mise en Oeuvre du calcul de variance par linéarisation. Insee-Méthodes: Actes des Journées de Méthodologie Statistique 2002 SST 2012 Literatur c BFS 19
20 Anhang 1: Einkommenskurven der HABE08 Primäreinkommen Bruttoeinkommen 7573 Titel verfügbares der Einkommen Präsentation Äquivalenz Einkommen HABE08: Äquivalenzeinkommen Datum der 0.4 Präsentation (ev. 0.2 mit 0.4 Anlass) Äquivalenz Einkommen Anteil Haushalte Anteil Haushalte Zoom SST 2012 Literatur c BFS 20
21 Anhang 2: Einkommenskurven der HABE09 Primäreinkommen Bruttoeinkommen 7752 Titel verfügbares der Einkommen Präsentation Äquivalenz Einkommen HABE09: Äquivalenzeinkommen Datum der 0.4 Präsentation (ev. 0.2 mit 0.4 Anlass) Äquivalenz Einkommen Anteil Haushalte Anteil Haushalte Zoom SST 2012 Literatur c BFS 21
22 Anhang 3: Theil Index Primäreinkommen verfügbares Einkommen Jahr Schätzung CV (in %) Schätzung CV (in %) Titel 2007 der Präsentation Gesamthaushalte Primäreinkommen Jahr Bruttoeinkommen verfügbares Einkommen SST 2012 Literatur Theil Index c BFS 22
23 Anhang 4: Atkinson Index für ɛ = 1 Primäreinkommen verfügbares Einkommen Jahr Schätzung CV (in %) Schätzung CV (in %) Titel 2007 der Präsentation Gesamthaushalte Primäreinkommen Jahr Bruttoeinkommen verfügbares Einkommen SST 2012 Literatur Atkinson Index für Epsilon=1 c BFS 23
24 Anhang 5: Atkinson-Index für ɛ {0.5, 1, 1.4} Titel der Präsentation Primäreinkommen Epsilon HABE07: Gesamthaushalte Atkinson Index Bruttoeinkommen verfügbares Einkommen SST 2012 Literatur c BFS 24
25 Anhang 6: Beispiele zur Einflussfunktion (= ẑ k ) Beispiel 1: Einflussfunktion eines Totals ˆθ = Titel Ŷ = i S der w iy i = T ( Präsentation M) hat die Einflussfunktion in k I wenn k (T ( M)) i S = lim nötig (w i + tδ k )y i i S t 0 mit Untertitel w iy i t = lim ty k = y k. t 0 t nicht Beispiel 2: Einflussfunktion fett geschrieben eines Quotienten aus zwei Totalen Für ˆR = ŶˆX = T ( M) mit Ŷ = i S w iy i und ˆX analog hat man I k ()( Datum M)) = I k ( der ˆR) = ˆX I k (Ŷ ) Ŷ I k( ˆX) = 1ˆX (y k Präsentation ˆX 2 (ev. mit Anlass) ˆR x k ). SST 2012 Literatur c BFS 25
26 Beispiel 3: Anwendung auf die kumulative Einkommensverteilungsfunktion F(M, x) bzw. F( M, x) Bevölkerungsanteil mit einem Einkommen von höchstens x: Titel der i U F (M, x) = Präsentation 1 {y i x} N wenn Geschätzter Bevölkerungsanteil nötig mit einem Untertitel Einkommen von höchstens x: F( nicht fett M, i S x) = geschrieben 1 {y i x} w i i S w i Das erste Quintil q 1 ( M) ist bestimmt durch F( M, q 1 ( M)) = 0.2 und man hat Autor I k (F ( der M, q 1 ( Präsentation M) q1 ( Datum der Präsentation M)fest )) = 1 i S w (1 {yk q 1 0.2). ( M)} i (ev. mit Anlass) SST 2012 Literatur c BFS 26
27 Anhang 7a: Linearisierung beim QSR QSR = Ŝ80/Ŝ20 = i S w i y i i S,y i q +( M) w i y i i S,y i q ( M) w i y i = T ( M), Titel der Präsentation wobei das 1. Einkommensquintil q ( M) durch F ( wenn M, i S x) = 1 {y nötig x} w i i i S mit Untertitel w = 0.2 bestimmt ist. i Berechnung von ẑ k mit Quotientenregel. Herleitung der Linearisierung des Nenner-Funktionals S( M, q ( M)) I k (S( M, q ( M))) = I k (S( M, q ( M) q )) + ds( M, x) ( M)fest }{{} dx x=q ( M) }{{} C I k (q ( M)) }{{} B A Datum Herleitung A: der gemässpräsentation Definition (ev. mit Anlass) Herleitung B: durch Konvolutionsprodukt Herleitung C: wie B SST 2012 Literatur c BFS 27
28 Anhang 7b: Herleitung von B beim QSR df (M, x) x=q (M) I k (q (M)) = 0 dx I k (F (M, q (M))) = I k (F (M, q (M) q (M)fest ))+ Titel und somit I k (q der (M)) = Präsentation I k (F (M,q (M) q (M)fest )) df(m,x). dx x=q (M) Ableitung F des Nenners ist 0 oder undefiniert. Deshalb Approximation von : x F (M, x) durch Konvolutionsprodukt F K (x) = F (t) K (x, t)dt mit dem Gauss schen Kern K (x, t) = 1 h (x t)2 exp( ). 2π 2h 2 Dann gilt F K (x) = 1 h 1 2π N i U exp( (x y i )2 ) und damit 2h 2 B = I k (q ( M)) = 1ˆN (1 0.2) {y k q ( M)} 1 ĥ 1ˆN 2π i S exp( (q ( M) y i ) 2 ) Datum der Präsentation (ev. mit 2ĥ2 Anlass) mit ĥ = ˆσ ˆN 1/5 = i S w i y2 i ( i S w i y i )2 / ˆN ˆN 1 ˆN 1/5. SST 2012 Literatur c BFS 28
90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrUmgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen
Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Warum überhaupt Gedanken machen? Was fehlt, ist doch weg, oder? Allgegenwärtiges Problem in psychologischer Forschung Bringt Fehlerquellen
MehrKlausur Sommersemester 2010
Klausur Sommersemester 2010 Lehrstuhl: Wirtschaftspolitik Prüfungsfach: Empirische Wirtschaftsforschung Prüfer: Prof. Dr. K. Kraft Datum: 04.08.2010 Hilfsmittel: Nicht-programmierbarer Taschenrechner Klausurdauer:
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrEinkommens- und Vermögensungleichheit - Steuerpolitische Lösungsansätze
Einkommens- und Vermögensungleichheit - Steuerpolitische Lösungsansätze Dr. Markus M. Grabka (DIW Berlin) Prof. Dr. Carsten Schröder (DIW Berlin, FU Berlin) Gemeinsame Konferenz der Wirtschaftsdienst und
MehrTeil II: Einführung in die Statistik
Teil II: Einführung in die Statistik (50 Punkte) Bitte beantworten Sie ALLE Fragen. Es handelt sich um multiple choice Fragen. Sie müssen die exakte Antwortmöglichkeit angeben, um die volle Punktzahl zu
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrDie Rolle von Krediten und Zahlungsrückständen bei Verschuldungssituationen
Eidgenössisches Departement des Innern EDI Bundesamt für Statistik BFS 20 Wirtschaftliche und soziale Situation der Bevölkerung Neuchâtel, Juni 2013 Die Rolle von Krediten und Zahlungsrückständen bei Verschuldungssituationen
MehrTitel anhand der der Präsentation. nicht fett geschrieben
Schätzung von Vollzeitäquivalenten Titel anhand der der Präsentation AHV-Lohndaten wenn nötig Jann Potteratmit und Monique Untertitel Graf Bundesamt für Statistik, Statistische Methoden METH nicht fett
MehrStatistik I für Wirtschaftswissenschaftler Klausur am 01.07.2005, 14.00 16.00.
1 Statistik I für Wirtschaftswissenschaftler Klausur am 01.07.2005, 14.00 16.00. Bitte unbedingt beachten: a) Gewertet werden alle 9 gestellten Aufgaben. b) Lösungswege sind anzugeben. Die Angabe des Endergebnisses
MehrWeiterbildungskurs Stochastik
Hansruedi Künsch Seminar für Statistik Departement Mathematik, ETH Zürich 24. Juni 2009 Inhalt STATISTIK DER BINOMIALVERTEILUNG 1 STATISTIK DER BINOMIALVERTEILUNG 2 Fragestellungen Typische Fragestellungen
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
MehrWirtschaftsstatistik. Konzentrations- und Disparitätsmessung 16.10.2007
Wirtschaftsstatistik Konzentrations- und Disparitätsmessung 16.10.2007 Begriffe Konzentration und Disparität Laut Oxford Advanced Learner s Dictionary by OUP, bzw. WordNet by Princeton University concentration:
MehrKategoriale abhängige Variablen:
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell Statistik II
MehrMonitoring zur Situation des Mittelstandes in der Schweiz
BÜRO FÜR ARBEITS- UND SOZIALPOLITISCHE STUDIEN BASS AG KONSUMSTRASSE 20. CH-3007 BERN. TEL +41 (0)31 380 60 80. FAX +41 (0)31 398 33 63 INFO@BUEROBASS.CH. WWW.BUEROBASS.CH Monitoring zur Situation des
MehrDer Household Finance and Consumption Survey des Eurosystems: Konzeption und Ergebnisse der ersten Erhebungswelle 2010
Der Household Finance and Consumption Survey des Eurosystems: Konzeption und Ergebnisse der ersten Erhebungswelle 2010 Präsentation im Generalrat der OeNB 25. April 2013 Peter Mooslechner Outline Einleitung:
MehrUntersuchungen zum Thema Tracking Error
Untersuchungen zum Thema Tracking Error J. Fulmek 24. August 2003 1 Einleitung Im Folgenden werden folgende Punkte untersucht: 1. verschiedene in der Literatur übliche Definitionen des Tracking Errors
MehrKategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell
MehrStatistische Auswertung der Daten von Blatt 13
Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
MehrGrundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel
Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel 16.11.01 MP1 - Grundlagen quantitativer Sozialforschung - (4) Datenanalyse 1 Gliederung Datenanalyse (inferenzstatistisch)
Mehr7. Verteilung von Einkommen und Vermögen
7. Verteilung von Einkommen und Vermögen Das durchschnittliche Vermögen der privaten Haushalte beträgt mehr als 13 Tausend Euro in Westdeutschland und 5 Tausend Euro in Ostdeutschland. Dazu kommt ein durchschnittliches
MehrTeil I Beschreibende Statistik 29
Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................
MehrBeispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K.
Beispiel 5 Europäische Call Option (ECO) in einer Aktie S mit Laufzeit T und Ausübungspreis (Strikepreis) K. Wert der Call Option zum Zeitpunkt T: max{s T K,0} Preis der ECO zum Zeitpunkt t < T: C = C(t,
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
MehrAllgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse
Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Univariate Varianz- und Kovarianzanlyse, Multivariate Varianzanalyse und Varianzanalyse mit Messwiederholung finden sich unter
MehrFAKTORIELLE VERSUCHSPLÄNE. Andreas Handl
FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei
MehrTotalrevision des Forschungs- und Innovationsförderungsgesetzes FIFG
Totalrevision des Forschungs- und Innovationsförderungsgesetzes FIFG BR Didier Burkhalter, Vorsteher EDI Medienkonferenz 9. November 2011 Objectifs de la législature LERI FIFG LEHE/HFKG FRI/BFI 2013-16
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
MehrIn It Together: Why Less Inequality Benefits All
In It Together: Why Less Inequality Benefits All Der neue Verteilungsbericht der OECD Michael Förster Abteilung Beschäftigung, Arbeit und Sozialpolitik OECD Berlin, 20.05.2015 In It Together: Hauptergebnisse
Mehr5. Schließende Statistik. 5.1. Einführung
5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrLehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Lösungsskizze
Lehrstuhl für Statistik und empirische irtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im ach Ökonometrie im S 20/2 Lösungsskizze Aufgabe (.5 Punkte) Sie verfügen über einen Datensatz, der Informationen
MehrProf. Dr. P. von der Lippe Statistik I NK SS 2002 Seite 1
Prof. Dr. P. von der Lippe Statistik I NK SS 2002 Seite 1 Aufgabe 1 a) BWL-Student S hat von seinem Lieblingsonkel 10.000 geschenkt bekommen mit der Auflage damit etwas Vernünftiges zu machen. Nachdem
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
MehrBeteiligung der Beschäftigten an betrieblicher Weiterbildung. und Unternehmensgröße
Beteiligung der Beschäftigten an betrieblicher Weiterbildung und Unternehmensgröße Befunde auf der Grundlage von CVTS3 Friederike Behringer, Gudrun Schönfeld Bonn, Februar 2011 1 Vorbemerkung Im Folgenden
Mehr25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche
Ruhr-Universität Bochum 25. Januar 2010 1 / 75 2 / 75 4.1 Beispiel: Vergleich von verschiedenen Unterrichtsmethoden Zwei Zufallsstichproben (A und B) mit je 10 Schülern und 8 Schülern Gruppe A wird nach
MehrStandardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14.
Aufgabe : einfacher T-Test Statistik bei einer Stichprobe Standardfehl Standardab er des Mittelwert weichung Mittelwertes 699 39.68 76.59 2.894 Test bei einer Sichprobe Testwert = 45.5 95% Konfidenzintervall
MehrBachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang.
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail Studiengang
MehrLineare Modelle in R: Einweg-Varianzanalyse
Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
Mehr1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
Mehr8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.
L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:
MehrVerteilungswirkungen der Energiewende in Deutschland
Verteilungswirkungen der Energiewende in Deutschland Fachgespräch: Optionen für eine soziale und verbrauchergerechte Gestaltung der Energiewende Friedrich Ebert Stiftung Berlin, 23.10.2013 Dr. Peter Heindl
MehrLineare Programmierung. Beispiel: Wahlkampf. Beispiel: Wahlkampf. Mathematische Schreibweise. Lineares Programm. Datenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Einführung Standard- und Schlupfformen Simplex Algorithmus Matthias Zwicker Universität Bern Frühling 2009 2 Beispiel: Wahlkampf Ziel: mit möglichst wenig Werbung eine gewisse
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
MehrIm Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des.
Einfatorielle Varianzanalyse Varianzanalyse untersucht den Einfluss verschiedener Bedingungen ( = nominalsalierte(r) Variable(r)) auf eine metrische Variable. Die Bedingungen heißen auch atoren und ihre
MehrPrüfung im Fach Ökonometrie im WS 2011/12 Aufgabenteil. Name, Vorname. Matrikelnr. Studiengang. E-Mail-Adresse. Unterschrift
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Aufgabenteil Name, Vorname Matrikelnr. Studiengang E-Mail-Adresse Unterschrift
MehrDiskriminanzanalyse Beispiel
Diskriminanzanalyse Ziel bei der Diskriminanzanalyse ist die Analyse von Gruppenunterschieden, d. h. der Untersuchung von zwei oder mehr Gruppen hinsichtlich einer Vielzahl von Variablen. Diese Methode
MehrIVD: Leicht steigende Zinsen führen zu sinkender Erschwinglichkeit von Wohneigentum
PRESSEMITTEILUNG IVD: Leicht steigende Zinsen führen zu sinkender Erschwinglichkeit von Wohneigentum Erschwinglichkeit bleibt dennoch weiter auf hohem Niveau Regional sehr große Unterschiede Ausblick weiterhin
MehrComputer Vision: Optische Flüsse
Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
MehrStatistik im Bachelor-Studium der BWL und VWL
Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,
Mehr2. Korrelation, lineare Regression und multiple Regression
multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig
MehrVersuchsplanung. Teil 1 Einführung und Grundlagen. Dr. Tobias Kiesling <kiesling@stat.uni-muenchen.de> Einführung in die Versuchsplanung
Versuchsplanung Teil 1 Einführung und Grundlagen Dr. Tobias Kiesling Inhalt Einführung in die Versuchsplanung Hintergründe Grundlegende Prinzipien und Begriffe Vorgehensweise
MehrOliver Kuß*; Dorothee Twardella**; Maria Blettner***; Thomas L. Diepgen**
Effektschätzung in Cluster-Randomized Trials mit binärer Zielgröße: Eine Sensitivitätsanalyse mit numerischer Integration, MCMC und NPMLE am Beispiel der DHP Oliver Kuß*; Dorothee Twardella**; Maria Blettner***;
MehrFinanzielle Belastungen durch die schulische Tagesbetreuung
Finanzielle Belastungen durch die schulische Tagesbetreuung Johann Bacher (JKU) Linz 2012 1 Problemstellung Die schulische Tagesbetreuung ist mit einem Kostenersatz für Eltern verbunden Dieser setzt sich
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/
MehrEinleitung 19. Teil I Datenanalyse und Modellbildung Grundlagen 25
Inhaltsverzeichnis Einleitung 19 Zu diesem Buch 19 Konventionen in diesem Buch 20 Was Sie nicht lesen müssen 21 Falsche Voraussetzungen 21 Wie dieses Buch aufgebaut ist 21 Teil I: Datenanalyse und Grundlagen
MehrStochastische Prozesse und Zeitreihenmodelle
Kapitel 12 Stochastische Prozesse und reihenmodelle [ Stochastische Prozesse und reihenmodelle ] Einleitung:.com-Blase an der NASDAQ Department of Statistics and Mathematics WU Wien c 2008 Statistik 12
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Excel Edition ^ Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrModul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.
Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes
MehrBusiness Value Launch 2006
Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung
MehrDelta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer
Delta-Gamma-Verfahren als Standard- Risikomodell für Lebensversicherer 1 Einleitung Im Rahmen des SST wird teilweise vereinfachend angenommen, dass der Zusammenhang zwischen der Veränderung des risikotragenden
MehrSFB 833 Bedeutungskonstitution. Kompaktkurs. Datenanalyse. Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015
SFB 833 Bedeutungskonstitution Kompaktkurs Datenanalyse Projekt Z2 Tübingen, Mittwoch, 18. und 20. März 2015 Messen und Skalen Relativ (Relationensystem): Menge A von Objekten und eine oder mehrere Relationen
MehrMultiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse
Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik II Multiple
MehrUnsupervised Kernel Regression
9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung
MehrDie Wertsteigerung des Reinvermögens im Ressourcenpotenzial des neuen Finanzausgleichs: Berechnung auf der Basis der Portfolio-Theorie
Die Wertsteigerung des Reinvermögens im Ressourcenpotenzial des neuen Finanzausgleichs: Berechnung auf der Basis der Portfolio-Theorie Roland Fischer, Antonio Iadarola Eidg. Finanzverwaltung Bern, 1. Juni
MehrNachholklausur STATISTIK II
Nachholklausur STATISTIK II Name, Vorname: Matrikel-Nr.: Die Klausur enthält zwei Typen von Aufgaben: T e i l A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine
MehrDokumentation Data Dictionary (SIP)
Eidgenössisches Departement des Innern EDI Schweizerisches Bundesarchiv BAR Ressort Innovation und Erhaltung Dienst Digitale Archivierung (DDA) Dokumentation Data Dictionary (SIP) Datum: September 2009
MehrVarianzanalyse * (1) Varianzanalyse (2)
Varianzanalyse * (1) Einfaktorielle Varianzanalyse (I) Die Varianzanalyse (ANOVA = ANalysis Of VAriance) wird benutzt, um Unterschiede zwischen Mittelwerten von drei oder mehr Stichproben auf Signifikanz
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrTabelle III.12 A-1 Übersicht über wichtige Datenquellen zur Internetnutzung
Tabelle III.12 A-1 Übersicht über wichtige Datenquellen zur Internetnutzung Allgemeines Studie Internetadresse Auftraggeber durchführendes Institut Ausrichtung @facts www.atfacts.de/001/ SevenOne Interactive,
MehrRisikomessung und Value at Risk Wintersemester 2013/14
Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrProbeklausur Zeitreihenökonometrie (Sommersemester 2014) 1
Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Aufgabe 1: Betrachtet wird folgendes Modell zur Erklärung des Managergehalts salary durch den Umsatz sales, die Eigenkapitalrendite roe und die
MehrEinfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
MehrLage- und Streuungsmaße
Sommersemester 2009 Modus Median Arithmetisches Mittel Symmetrie/Schiefe Wölbung/Exzess 4 6 8 10 ALQ Tutorien Begleitend zur Vorlesung, inhaltlich identisch mit der Übung Mögliche Zeiten: Do 10-12, Do
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 16. April 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 2 1 ii) empirische
MehrStatistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00.
1 Statistik I für Wirtschaftswissenschaftler Klausur am 06.07.2007, 14.00 16.00. Bitte unbedingt beachten: a) Gewertet werden alle 9 gestellten Aufgaben. b) Lösungswege sind anzugeben. Die Angabe des Endergebnisses
MehrWelch-Test. Welch-Test
Welch-Test Welch-Test Test auf Lageunterschied zweier normalverteilter Grundgesamtheiten mit unbekannten Varianzen durch Vergleich der Mittelwerte zweier unabhängiger Zufallsstichproben. Beispiel Im Labor
Mehra n := ( 1) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 10n + 1. a n := 1 3 + 1 2n 5n 2 n 2 + 7n + 8 b n := ( 1) n
Folgen und Reihen. Beweisen Sie die Beschränktheit der Folge (a n ) n N mit 2. Berechnen Sie den Grenzwert der Folge (a n ) n N mit a n := ( ) n 3n2 + 5 2n 2. a n := 5n4 + 2n 2 2n 3 + 3 n +. 4 3. Untersuchen
Mehr5 Varianzanalytische Modelle, komplexere lineare Modell und Random Models
5 Varianzanalytische Modelle, komplexere lineare Modell und Random Models Auch in diesem Kapitel werden nur wenige statistische Hintergründe geliefert. Der Fokus des Kapitels liegt in der Einübung der
MehrMultivariate Verfahren
Selbstkontrollarbeit 2 Multivariate Verfahren Musterlösung Aufgabe 1 (28 Punkte) Der Marketing-Leiter einer Lebensmittelherstellers möchte herausfinden, mit welchem Richtpreis eine neue Joghurt-Marke auf
MehrBeispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests
Beispiel: Sonntagsfrage Vier Wochen vor der österreichischen Nationalratswahl 1999 wurde 499 Haushalten die Sonntagsfrage gestellt: Falls nächsten Sonntag Wahlen wären, welche Partei würden Sie wählen?
MehrDSR Daten, Statistik, Risikobewertung AUSWERTUNG GAHS. Intervention + BMI
DSR Daten, Statistik, Risikobewertung AUSWERTUNG GAHS + BMI Sophie-Helene Narath Klemens Fuchs Günter Polt Bericht Nr.: B09_003_DSR Freigegeben im April 09 Österreichische Agentur für Gesundheit und Ernährungssicherheit
MehrTabelle 3: Anteil der gew. Energieausgaben am Nettoäquivalenzeinkommen München
Tabelle 3: Anteil der gew. Energieausgaben am Nettoäquivalenzeinkommen München Variable Fälle 10% höchste Baujahr vor 1919 818 0,154 (0,363) Baujahr 1919-1948 818 0,256*** (0,440) Baujahr 1949 1971 818
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
MehrVersuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................
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
MehrEinstellungen zu Gesundheitssystemen und Ungleichheiten in der Inanspruchnahme von Gesundheitsleistungen im internationalen Vergleich
Monika Mischke, Claus Wendt Einstellungen zu Gesundheitssystemen und Ungleichheiten in der Inanspruchnahme von Gesundheitsleistungen im internationalen Vergleich Literatur / Quellen: Reibling, Nadine und
MehrÜbung zur Einführung in die empirische Mikroökonomik (Ökonometrie II) Einführung in STATA. Universität Bamberg. Professur für VWL, Sozialpolitik
Übung zur Einführung in die empirische Mikroökonomik (Ökonometrie II) Einführung in STATA Universität Bamberg Professur für VWL, Sozialpolitik Sommersemester 2005 Dipl.-Vw. Christoph Wunder () Einführung
MehrPfadanalyse. 1. Grundlegende Verfahren. Bacher, SoSe2007
Pfadanalyse Bacher, SoSe2007 1. Grundlegende Verfahren Explorative Pfadanalyse: Kausale Beziehungen zwischen Variablen werden aufgedeckt, erforderlich ist eine kausale Anordnung der Variablen. Konfirmatorische
Mehr