Nachholklausur ÖKONOMETRIE für Bachelor VWL
|
|
- Leander Küchler
- vor 6 Jahren
- Abrufe
Transkript
1 Nachholklausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine Antwort richtig ist und von denen mehrere Antworten richtig sein können. Kreuzen Sie alle richtigen Antworten in den Kästchen unterhalb der Aufgabe an. Sind alle Kreuze richtig, erhalten Sie für die Aufgabe 3 Punkte. Jede Abweichung ergibt 1,5 Punkte Abzug. Es werden keine negativen Punktezahlen vergeben, Sie erhalten also für jede Aufgabe mindestens 0 Punkte. Wenn Sie keine Antwort ankreuzen, gilt die Aufgabe als nicht bearbeitet und Sie erhalten 0 Punkte. Teil B enthält ausführlich zu lösende Aufgaben. Nur mit der Darstellung der einzelnen Rechenschritte oder der Begründung Ihrer Vorgehensweise kann die volle Punktzahl erreicht werden. Zulässige Hilfsmittel: Nicht programmierbarer Taschenrechner, Lehrbuch von Schira, gebundene Ausgabe (rot) des Skriptes Ökonometrie und eine handschriftlich von Ihnen selbst beschriebene Seite im DIN A4 Format ( Spickzettel, kann auf beiden Seiten beschrieben sein). Teil A umfasst 8 Aufgaben und Teil B umfasst 2 Aufgaben. Bitte überprüfen Sie die Vollständigkeit Ihres Exemplars. Die maximal zu erreichende Punktzahl ist 60, davon können maximal 24 Punkte in Teil A und maximal 36 Punkte in Teil B erreicht werden. Für Studierende im BSc VWL werden die in der Klausur und der Zwischenklausur erzielten Punkte addiert. Diese Studierenden bestehen die Prüfung mit mindestens 32 erreichten Punkten. Die Bearbeitungszeit dieser Klausur beträgt 120 Minuten. Auswertung - Teil A Aufgabe Erreichte Punktzahl Auswertung - Teil B Aufgabe 1 2 Erreichte Punktzahl Erreichte Gesamtpunktzahl 1
2 Teil A (24 Punkte) 1. Eine normalverteilte Zufallsvariable habe den Erwartungswert µ = 10 und die Standardabweichung σ = 2. Die transformierte Variable W sei definiert als W = 2( 10). A) E(W) = 0 B) Die Wahrscheinlichkeit, dass W zwischen 4 und 4 liegt, beträgt D(1) = 0,8413 (auf vier Nachkommastellen gerundet). C) V (W) = 8 D) Das obere Dezil (das 90%-Quantil) von W beträgt 6,6 (auf eine Nachkommastelle gerundet). 2. Es sei das logarithmierte Einkommen ln(y ) normalverteilt mit Erwartungswert m = 6, 5 und Varianz s 2 = 6,25. A) E(Y ) = 665 (gerundet) B) E(Y ) = (gerundet) C) Der Interquartilsabstand von Y beträgt (gerundet). D) P(10000 Y 20000) 10% 2
3 3. Der Mittelwert µ einer Normalverteilung mit der Varianz σ 2 = 25 soll geschätzt werden. Eine Stichprobe mit dem Unfang n = 150 ergibt den Mittelwert = 6,35. A) V ( ) = 1/6 B) Die Standardabweichung von beträgt 5. C) KI(µ, 0, 9) = [6, 08 ; 6, 62] (auf zwei Nachkommastellen gerundet) D) KI(µ, 0, 9) = [ 1, 88 ; 14, 58] (auf zwei Nachkommastellen gerundet) 4. Auf Basis einer Stichprobe mit n Beobachtungen, wobei n eine gerade Zahl mit n > 8 ist, soll der Erwartungswert µ einer unabhängig und identisch verteilten Zufallsvariablen geschätzt werden. Es stehen folgende Schätzer zur Auswahl: (1) ˆµ 1 = x 1 + x 2 + x n 1 + x n 4 (2) ˆµ 2 = x 1 + x 3 + x 5 + x x n 1 n/2 Beachten Sie, dass in die Berechnung von ˆµ 2 nur die ungeraden Beobachtungen eingehen. Die Varianz der Zufallsvariablen sei σ 2. A) V (ˆµ 2 ) = σ2 2n B) Der Schätzer ˆµ 1 ist erwartungstreu. C) Der Schätzer ˆµ 1 ist asymptotisch erwartungstreu. D) Der Schätzer ˆµ 2 ist konsistent. 3
4 5. Ein Wohnungsmakler vermittelt insgesamt 51 Wohnungen in einer Stadt. Er zeichnet die Kaltmiete Y ineauf und berechnet: ȳ = 1.020e y 2 = e 2 Die Kaltmiete kann als exakt normalverteilt angesehen werden. A) Die geschätzte Standardabweichung der Kaltmiete beträgt σ = 101e (aufegerundet). B) Das 95%-Konfidenzintervall für die durchschnittliche Kaltmiete in der Stadt ist KI(µ, 0,95) = [819e, 1.220e] (aufegerundet). C) Das 95%-Konfidenzintervall für die durchschnittliche Kaltmiete in der Stadt ist KI(µ, 0,95) = [992e, 1.048e] (aufegerundet). D) Das 95%-Konfidenzintervall für die Varianz der Kaltmiete in der Stadt ist KI(σ 2, 0,95) = [7.141e 2, e 2 ] (aufe 2 gerundet). 6. Die Varianz eines normalverteilten Merkmals sei σ 2. Es soll die Hypothese H 0 : σ = σ 2 0 gegen die Alternativhypothese H 1 : σ 2 < 100 getestet werden. Auf Basis einer Stichprobe von n = 101 Beobachtungen wird die Stichprobenvarianz s 2 = 98,7 geschätzt. Unterstellen Sie ein Signifikanzniveau von α = 5%. ACHTUNG: C und D wurden nicht bewertet, da die Aussagen nicht eindeutig sind. A) Wenn die wahre Varianz 100 beträgt, dann ist die Prüfgröße 1,01 S 2 chi-quadrat-verteilt mit 100 Freiheitsgraden. B) Die Prüfgröße beträgt 99,687. C) Die Prüfgröße übersteigt den kritischen Wert χ [0,95]. Deshalb ist die Nullhypothese abzulehnen. D) Die Prüfgröße unterschreitet den kritischen Wert χ [0,05]. Deshalb ist die Nullhypothese abzulehnen. 4
5 7. Gegeben ist folgendes Modell: y i = β 1 + β 2 x i + u i, bei dem folgende Werte bekannt sind: = ( ) Y = ( 10 2 ) Es soll die Kleinste-Quadrate-Schätzung durchgeführt werden. A) Der Stichprobenumfang ist 40. B) Für das arithmetische Mittel von y gilt ȳ = 0,5. C) ˆβ 1 = 0,514 (auf drei Nachkommastellen gerundet) D) ˆβ 2 = 0,062 (auf drei Nachkommastellen gerundet) 8. Unterstellen Sie folgende Cobb-Couglas-Produktionsfunktion mit technischem Fortschritt: wobei die Notation wie in der Vorlesung ist. Y t = e γ1+γ2t+γ3t2 L α t K β t e ut, A) Logarithmierung ergibt die lineare Regression ln(y t ) = γ 1 +γ 2 t+γ 3 t 2 +αln(l t )+βln(k t )+u t. B) Der technische Fortschritt beschleunigt sich im Zeitverlauf, wenn γ 3 0 gilt. C) In Periode t = 20 beträgt das Wachstum des Produktivitätsparameters (als Logarithmendifferenz gemessen) (γ γ 3 ) 100%. D) Ein Test der Hypothese konstanter Skalenerträge basiert auf der Prüfgröße t stat = ˆα + ˆβ 1, V ar(ˆα) + V ar(ˆβ) wobei ˆα, ˆβ die Kleinste-Quadrate-Schätzer und V ar(ˆα),v ar(ˆβ) die geschätzten Varianzen von ˆα und ˆβ sind. 5
6 Teil B (36 Punkte) 1. Tests für Median und Quantile: Es soll statistisch getestet werden, ob der Median und das untere Quartil der Pisatestergebnisse Y (gemessen in Punkten) bestimmte Werte annehmen. Die Nullhypothesen sind: H 0 : y [0,25] = 480 (unteres Quartil) H 0 : y [0,5] = 500 (Median) Eine Stichprobe von 250 Schülern ergibt, dass 30% der Schüler ein Pisatestergebnis von unter 480 und 54% der Schüler ein Pisatestergebnis von unter 500 aufweisen. Führen Sie für das untere Quartil und den Median getrennt den zweiseitigen Hypothesentest durch. Verwenden Sie die Normalverteilung als Näherungsverteilung, aber führen Sie keine Stetigkeitskorrektur durch. Das Signifikanzniveau sei 10%. Erläutern Sie Ihre Vorgehensweise und interpretieren Sie kurz das Ergebnis der beiden Hypothesentests. (6 Punkte) 2. In dieser Aufgabe sollen Sie sich mit Regressionen zur Erklärung der Entlohnung auseinandersetzen, die auf einer Stichprobe von 2610 Arbeitnehmern basieren. Im Anhang zu Aufgabe B.2 werden deskriptive Statistiken, Kleinste-Quadrate-Regressionen und Graphiken aufgeführt, die in TSP berechnet bzw. erstellt wurden. Die Variablen im zugrundeliegenden Datensatz sind wie folgt definiert: lnw ex sex dau logarithmierter Bruttomonatsverdienst in DM Berufserfahrung in Jahren Geschlecht (Frau=1) Dauer der Schulausbildung in Jahren Im TSP-Programm werden weitere Variablen definiert. Die TSP-Befehle select (sex = 0); und select (sex = 1); schränken die Stichprobe auf jene Beobachtungen ein, für welche die Variable sex den Wert 0 bzw. 1 annimmt. Beantworten Sie die folgenden Fragen unter Bezugnahme auf die Schätzergebnisse im Anhang zu Aufgabe B.2. Begründen Sie Ihre Antwort, beispielsweise indem Sie geeignete Tests durchführen. Ohne Begründung können keine Punkte erzielt werden. Erläutern Sie gegebenenfalls in Ihrer Antwort, welche zusätzlichen Annahmen notwendig sind bzw. welche zusätzlichen Informationen Sie benötigen. 6
7 A) Was ist der durchschnittliche logarithmierte Bruttomonatsverdienst von Männern und Frauen? Was ist das geometrische Mittel des Bruttomonatsverdienstes von Männern und Frauen in DM? Was ist das arithmetische Mittel des Bruttomonatsverdienstes von Männern und Frauen in DM? Was ist die durchschnittliche Dauer der Schulausbildung von Männern und Frauen? Was ist die durchschnittliche Berufserfahrung von Männern und Frauen? (5 Punkte) B) Interpretieren Sie ausführlich die in Equation 1 geschätzte Gleichung. Was ist die ökonomische Interpretation der geschätzten Koeffizienten? Welche Koeffizienten sind signifikant? Ist die Berufserfahrung ein signifikanter Bestimmungsfaktor der Entlohnung? Wie hoch ist die Rendite der Berufserfahrung beim Berufseinstieg? Wie hoch ist die Rendite der Berufserfahrung nach 15 Jahren Berufserfahrung? Ist der Geschlechterunterschied signifikant? Hinweis: Unter der Rendite der Berufserfahrung versteht man den lohnerhöhenden Effekt eines weiteren Jahres Berufserfahrung, d.h. mathematisch ln(w)/ ex. (10 Punkte) C) Liegt in Equation 1 ein Heteroskedastieproblem vor? Welche Informationen hierzu können Sie dem Anhang zu Aufgabe B.2 entnehmen? Wie interpretieren Sie diese Informationen? (7 Punkte) D) Befassen Sie sich nun mit der in Equation 3 geschätzten Gleichung. Was ist die ökonomische Interpretation der geschätzten Koeffizienten? Worin besteht der Unterschied zu Equation 1? Welche dieser Koeffizienten sind signifikant? Wie lassen sich die Verdienstunterschiede zwischen Männern und Frauen charakterisieren? (4,5 Punkte) E) Die Gleichstellungsbeauftragte der Gewerkschaften argumentiert, dass die Diskriminierung von Frauen im Verdienst dadurch entstehe, dass Frauen im Vergleich zu Männern geringere Karrierechancen haben. Dies könne man daran erkennen, dass es keinen Verdienstunterschied beim Berufseinstieg gebe. Wie bewerten Sie diese Aussage auf Basis der bisherigen Ergebnisse. Wie würden Sie die Aussage statistisch testen? (3,5 Punkte) (30 Punkte) 7
8 Anhang zu Aufgabe B.2 TSP-Programm title Deskriptive Statistiken fuer Maenner ; select (sex = 0); msd(terse) lnw ex dau; set mittel = exp(@mean(1)); print mittel; w = exp(lnw); msd(terse) w; title Deskriptive Statistiken fuer Frauen ; select (sex = 1); msd(terse) lnw ex dau; set mittel = exp(@mean(1)); print mittel; w = exp(lnw); msd(terse) w; select 1; ex2 = ex*ex; ols(robustse) lnw c sex dau ex ex2; frml fex ex; frml fex2 ex2; analyz(noconstr) fex fex2; title Heteroskedastie? ; u u2 = u*u; ex3 = ex*ex2; ex4 = ex2*ex2; dau2 = dau*dau; 8
9 ols u2 c sex dau dau2 ex ex2 ex3 ex4; set chistat cdf(chisq,df=7) chistat; select sex=0; msd(terse) u; select sex=1; msd(terse) u; select 1; fdau = sex*dau; fex = sex*ex; fex2 = sex*ex2; ols(robustse) lnw c dau ex ex2 sex fdau fex fex2; frml fsex sex; frml ffdau fdau; frml ffex fex; frml ffex2 fex2; analyz(noconstr) fsex ffdau ffex ffex2; 9
10 Number of Observations: 1505 TSP-Output auf Basis des obigen Programms Deskriptive Statistiken fuer Maenner ==================================== Univariate statistics ===================== Mean Std Dev Minimum Maximum LNW E DAU MITTEL = Number of Observations: 1505 Univariate statistics ===================== Mean Std Dev Minimum Maximum W Number of Observations: 1105 Deskriptive Statistiken fuer Frauen =================================== Univariate statistics ===================== Mean Std Dev Minimum Maximum LNW E DAU MITTEL = Number of Observations: 1105 Univariate statistics ===================== Mean Std Dev Minimum Maximum W
11 Equation 1 ============ Method of estimation = Ordinary Least Squares Dependent variable: LNW Number of observations: 2610 Mean of dep. var. = LM het. test = [.000] Std. dev. of dep. var. = Durbin-Watson = [<.283] Sum of squared residuals = Jarque-Bera test = [.000] Variance of residuals = Ramsey s RESET2 = [.001] Std. error of regression = F (zero slopes) = [.000] R-squared = Schwarz B.I.C. = Adjusted R-squared = Log likelihood = Estimated Standard Variable Coefficient Error t-statistic P-value C [.000] SE [.000] DAU E [.000] E E [.000] E E E [.000] Standard Errors are heteroskedastic-consistent (HCTYPE=2). Results of Parameter Analysis ============================= Standard Parameter Estimate Error t-statistic P-value FE E [.000] FE E E [.000] Wald Test for the Hypothesis that the given set of Parameters are jointly zero: CHISQ(2) = ; P-value = F Test for the Hypothesis that the given set of Parameters are jointly zero: F(2,2605) = ; P-value =
12 Heteroskedastie? ================ Equation 2 ============ Method of estimation = Ordinary Least Squares Dependent variable: U2 Number of observations: 2610 Mean of dep. var. = LM het. test = [.000] Std. dev. of dep. var. = Durbin-Watson = [<.695] Sum of squared residuals = Jarque-Bera test = [.000] Variance of residuals = Ramsey s RESET2 = [.623] Std. error of regression = F (zero slopes) = [.000] R-squared = Schwarz B.I.C. = Adjusted R-squared = Log likelihood = Estimated Standard Variable Coefficient Error t-statistic P-value C [.000] SE [.000] DAU [.046] DAU E E [.077] E [.184] E E E [.200] E E E [.178] E E E = CHISQ(7) Test Statistic: , Upper tail area: Number of Observations: 1505 Univariate statistics ===================== Mean Std Dev Minimum Maximum U D Univariate statistics ===================== Number of Observations:
13 Mean Std Dev Minimum Maximum U D Equation 3 ============ Method of estimation = Ordinary Least Squares Dependent variable: LNW Number of observations: 2610 Mean of dep. var. = LM het. test = [.000] Std. dev. of dep. var. = Durbin-Watson = [<.079] Sum of squared residuals = Jarque-Bera test = [.000] Variance of residuals = Ramsey s RESET2 = [.001] Std. error of regression = F (zero slopes) = [.000] R-squared = Schwarz B.I.C. = Adjusted R-squared = Log likelihood = Estimated Standard Variable Coefficient Error t-statistic P-value C [.000] DAU E [.000] E E [.000] E E E [.000] SE [.067] FDAU E [.942] FE [.000] FE E E [.000] Standard Errors are heteroskedastic-consistent (HCTYPE=2). 13
14 Results of Parameter Analysis ============================= Standard Parameter Estimate Error t-statistic P-value FSE [.067] FFDAU E [.942] FFE [.000] FFE E E [.000] Wald Test for the Hypothesis that the given set of Parameters are jointly zero: CHISQ(4) = ; P-value = F Test for the Hypothesis that the given set of Parameters are jointly zero: F(4,2602) = ; P-value = ENDE DER KLAUSUR 14
Fragestunde zur Übung
Prof. Bernd Fitzenberger, Ph.D. Dr. Roland Füss Aderonke Osikominu Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Wintersemester 2007/08 Fragestunde zur Übung
MehrKlausur ÖKONOMETRIE für Bachelor VWL
Klausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrFragen zum zweiten Teil der Vorlesung
Albert-Ludwigs-Universität Freiburg Ökonometrie (Bachelor) Lehrstuhl Prof. Fitzenberger, Ph.D. WS 2011/12 Fragen zum zweiten Teil der Vorlesung 1. Es soll geprüt werden, ob das obere Quartil (das 75%-Quantil)
MehrKlausur ÖKONOMETRIE für Bachelor VWL
Klausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrNachholklausur ÖKONOMETRIE für Bachelor VWL
Nachholklausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrZwischenklausur ÖKONOMETRIE
Zwischenklausur ÖKONOMETRIE Name, Vorname: Matrikel-Nr. Die Klausur besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine Antwort richtig ist und von denen mehrere
MehrKlausur ÖKONOMETRIE für Bachelor
Klausur ÖKONOMETRIE für Bachelor Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine
MehrKlausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung. Prof. Bernd Fitzenberger, Ph.D. WS 2010/11. Mittwoch, 16.
Klausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. WS 2010/11 Mittwoch, 16. Februar 2011 Die folgenden drei Aufgaben sind alle zu bearbeiten. Die insgesamt
MehrÜbungsblatt 7: Schätzung eines Mietspiegels
Prof. Bernd Fitzenberger, Ph.D. Ute Leuschner Stefanie Schäfer Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Wintersemester 2010/11 Übungsblatt 7: Schätzung
MehrLösung - Übungsblatt 10
Lösung - Übungsblatt 10 Aufgabe 2: Siehe Outputfile Aufgabe 2 a) Regressionsgleichung - Equation 1: price = β 1 + β 2 lotsize + β 3 sqrft + β 4 bdrms + u i Fit: price = β 1 + β 2 lotsize + β 3 sqrft +
MehrWiederholung der Klausur STATISTIK
Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine Antwort richtig ist und von denen
MehrKlausur zur Vorlesung: Prof. Bernd Fitzenberger, Ph.D. SS 2012 Donnerstag, 31. Juli 2012
Klausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. SS 2012 Donnerstag, 31. Juli 2012 Die folgenden drei Aufgaben sind alle zu bearbeiten. Die insgesamt
MehrWiederholung der Hauptklausur STATISTIK
Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine Antwort richtig ist und von denen
MehrKlausur STATISTIK 2 für Diplom VWL
Klausur STATISTIK 2 für Diplom VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrProbeklausur EW II. Für jede der folgenden Antworten können je 2 Punkte erzielt werden!
Probeklausur EW II Bitte schreiben Sie Ihre Antworten in die Antwortfelder bzw. markieren Sie die zutreffenden Antworten deutlich in den dafür vorgesehenen Kästchen. Wenn Sie bei einer Aufgabe eine nicht-zutreffende
MehrTeekonsum in den USA (in 1000 Tonnen), Nimmt den Wert 1 an für alle Perioden, Durchschnittlicher Preis des Tees in Periode t (in Tausend $/Tonne).
Aufgabe 1 (5 Punkte) Gegeben sei ein lineares Regressionsmodell in der Form. Dabei ist y t = x t1 β 1 + x t β + e t, t = 1,..., 10 (1) y t : x t1 : x t : Teekonsum in den USA (in 1000 Tonnen), Nimmt den
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrX =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrProbeklausur STATISTIK II
Probeklausur 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
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrKlausur zur Vorlesung: Prof. Bernd Fitzenberger, Ph.D. WS 2009/2010. Donnerstag, den 18. Februar 2010
Klausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. WS 2009/2010 Donnerstag, den 18. Februar 2010 Die folgenden drei Aufgaben sind alle zu bearbeiten.
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Schließende Statistik Sommersemester Namensschild. Dr.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Schließende Statistik Sommersemester 2013 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ Kleben Sie bitte sofort Ihr Namensschild
MehrNachholklausur zur Vorlesung: Prof. Bernd Fitzenberger, Ph.D. SS 2012 Mittwoch, 17. Oktober 2012
Nachholklausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. SS 2012 Mittwoch, 17. Oktober 2012 Die folgenden drei Aufgaben sind alle zu bearbeiten. Die
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Schließende Statistik Wintersemester 2012/13. Namensschild. Dr.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Schließende Statistik Wintersemester 2012/13 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ Kleben Sie bitte sofort Ihr Namensschild
MehrProf. Regina T. Riphahn, Ph.D. WS 04/05 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 24. Februar 2005,
Prof. Regina T. Riphahn, Ph.D. WS 4/5 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 24. Februar 25, 9.-1.3 Uhr Erlaubte Hilfsmittel: Tabelle der statistischen Verteilungen, 4 DIN
MehrErrata im Empiwifo-Skript
Errata im Empiwifo-Skript Stand: 18. Juli 2012 Seite Fehler Korrigiert iv Formulierung x TSP 5.0 TSP 5.1 39 Abschnitt 7.2 Abschnitt 6.2 49 Falscher Output-Titel TSP-Programm zu Kapitel 3.1 68 Falscher
MehrAllgemein zu Hypothesentests: Teststatistik. OLS-Inferenz (Small Sample) Allgemein zu Hypothesentests
OLS-Inferenz (Small Sample) K.H. Schild 3. Mai 017 Allgemein zu Hypothesentests: Teststatistik Konstruktion eines Hypothesentests erfolgt meistens über eine Teststatistik Eine Teststatistik T ist eine
Mehr8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme)
8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme) Annahme B4: Die Störgrößen u i sind normalverteilt, d.h. u i N(0, σ 2 ) Beispiel: [I] Neoklassisches Solow-Wachstumsmodell Annahme einer
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
Mehr3. Das einfache lineare Regressionsmodell
3. Das einfache lineare Regressionsmodell Ökonometrie: (I) Anwendung statistischer Methoden in der empirischen Forschung in den Wirtschaftswissenschaften Konfrontation ökonomischer Theorien mit Fakten
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrFERNUNIVERSITÄT IN HAGEN WIRTSCHAFTSWISSENSCHAFT
FERNUNIVERSITÄT IN HAGEN FAKULTÄT WIRTSCHAFTSWISSENSCHAFT Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. A. Kleine Lehrstuhl für Angewandte
Mehr6.4 Kointegration Definition
6.4 Kointegration 6.4.1 Definition Nach Engle und Granger (1987): Wenn zwei oder mehrere Variablen I(1) sind, eine Linearkombination davon jedoch I() ist, dann sind die Variablen kointegriert. Allgemein:
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester Namensschild. Dr.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester 2011 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ Kleben Sie bitte sofort Ihr
Mehr11. Übungsblatt zur Vorlesung Ökonometrie SS 2014
Universität des Saarlandes Lehrstab Statistik Dr. Martin Becker Dipl.-Kfm. Andreas Recktenwald 11. Übungsblatt zur Vorlesung Ökonometrie SS 2014 Aufgabe 45 Die in Aufgabe 43 getroffene Annahme heteroskedastischer
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung VII/ VIII. Makroökonometrische Modellierung nach der Vereinigung
Dipl. Vw. Matthias Kirbach Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT CURANDO DOCENDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrKapitel 10. Multikollinearität. Exakte Multikollinearität Beinahe Multikollinearität
Kapitel 0 Multikollinearität Exakte Multikollinearität Beinahe Multikollinearität Exakte Multikollinearität Unser Modell lautet y = Xb + u, Dimension von X: n x k Annahme : rg(x) = k Wenn sich eine oder
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrKlausur zu Statistik II
Goethe-Universität Frankfurt Prof. Dr. Uwe Hassler FB Wirtschaftswissenschaften Sommersemester 2005 Klausur zu Statistik II Version B Bitte tragen Sie hier und auf den Lösungsblättern (oben links) Ihre
MehrDas lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Das ökonomische
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester Namensschild
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester 2010 Namensschild Prof. Dr. Ralph Friedmann / Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrV. Das lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Tino Conrad, M.Sc. Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2016 Übung zur
Mehr4. Das multiple lineare Regressionsmodell
4. Das multiple lineare Regressionsmodell Bisher: 1 endogene Variable y wurde zurückgeführt auf 1 exogene Variable x (einfaches lineares Regressionsmodell) Jetzt: Endogenes y wird regressiert auf mehrere
MehrTeil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.
Woche 11: Multiple lineare Regression Patric Müller Teil XIII Multiple lineare Regression ETHZ WBL 17/19, 10.07.017 Wahrscheinlichkeit und Statistik Patric Müller WBL
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
Mehr1 Gliederung Zeitreihenökonometrie. Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09. Dr. Sylvia Kaufmann.
Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09 Dr Sylvia Kaufmann Februar 2009 Angewandte Ökonometrie, Sylvia Kaufmann, FS09 1 1 Gliederung Zeitreihenökonometrie Einführung
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester Aufgabenstellung und Ergebnisse
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Studiengang Schließende Statistik Sommersemester 2010 Aufgabenstellung und Ergebnisse Prof. Dr. Ralph Friedmann / Dr. Martin Becker Hinweise für die Klausurteilnehmer
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Probeprüfung Statistik 1 Sommer 2014 Schriftliche Prüfung (90 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
MehrEinleitung. Statistik. Bsp: Ertrag Weizen. 6.1 Einfache Varianzanalyse
Einleitung Statistik Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Der Begriff Varianzanalyse (analysis of variance, ANOVA) taucht an vielen Stellen in der Statistik mit unterschiedlichen
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 1 bis 4 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
MehrKapitel 3. Inferenz bei OLS-Schätzung I (small sample, unter GM1,..., GM6)
8 SMALL SAMPLE INFERENZ DER OLS-SCHÄTZUNG Damit wir die Verteilung von t (und anderen Teststatistiken) exakt angeben können, benötigen wir Verteilungsannahmen über die Störterme; Kapitel 3 Inferenz bei
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrHeteroskedastie. Test auf Heteroskedastie. Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist.
Heteroskedastie Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist. Beispiele: Bei Zeitreihendaten : Ansteigen der Varianz über die Zeit, Anstieg der Varianz mit
MehrPrüfung im Fach Mikroökonometrie im Sommersemester 2014 Aufgaben
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Mikroökonometrie im Sommersemester 014 Aufgaben Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr.
Statistik II Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 2. Parameterschätzung: 2.1 Grundbegriffe; 2.2 Maximum-Likelihood-Methode;
MehrVOLKSWIRTSCHAFTLICHE VORDIPLOMPRÜFUNG
VOLKSWIRTSCHAFTLICHE VORDIPLOMPRÜFUNG 17.07.2007 Übungsklausur auf dem Gebiet: STATISTIK II Prüfer: Dr. Roland Füss Name, Vorname: Matrikel-Nr.: Die Klausur enthält drei Typen von Aufgaben: D e r T e i
MehrSchriftliche Prüfung (2 Stunden)
Prof. Peter Bühlmann Mathematik IV: Statistik Sommer 2013 Schriftliche Prüfung (2 Stunden) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Prüfung Statistik I Winter 2016 Schriftliche Prüfung (90 Minuten) Bemerkungen: Erlaubte Hilfsmittel: 10 hand- oder maschinengeschriebene A4 Seiten (=5 Blätter). Taschenrechner ohne Kommunikationsmöglichkeit.
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrWIRTSCHAFTSWISSENSCHAFTLICHES PRÜFUNGSSEKRETARIAT DER RECHTS- UND WIRTSCHAFTSWISSENSCHAFTLICHEN FAKULTÄT DER UNIVERSITÄT DES SAARLANDES
WIRTSCHAFTSWISSENSCHAFTLICHES PRÜFUNGSSEKRETARIAT DER RECHTS- UND WIRTSCHAFTSWISSENSCHAFTLICHEN FAKULTÄT DER UNIVERSITÄT DES SAARLANDES Von der/dem Studierenden auszufüllen (Bitte leserlich und in Blockschrift):
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
Mehr4.1. Nullhypothese, Gegenhypothese und Entscheidung
rof. Dr. Roland Füss Statistik II SS 8 4. Testtheorie 4.. Nullhypothese, Gegenhypothese und Entscheidung ypothesen Annahmen über die Verteilung oder über einzelne arameter der Verteilung eines Merkmals
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
Mehr2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme)
2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme) Annahme A1: Im multiplen Regressionsmodell fehlen keine relevanten exogenen Variablen und die benutzten exogenen Variablen x 1,
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
Mehr1. Übung: Einführung in EVIEWS
Goethe-Universität Frankfurt Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Finanzökonometrie Sommersemester 2007 1. Übung: Einführung in EVIEWS Kreieren Sie eine Arbeitsumgebung (workfile)
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrAufgabenstellung und Ergebnisse zur. Bachelor-Prüfung Schließende Statistik Wintersemester 2017/18. Dr. Martin Becker
Aufgabenstellung und Ergebnisse zur Bachelor-Prüfung Schließende Statistik Wintersemester 2017/18 Dr. Martin Becker Hinweise für die Klausurteilnehmer Die Klausur besteht aus insgesamt 9 Aufgaben. Prüfen
MehrSchriftliche Prüfung (2 Stunden)
Prüfung Statistik Winter 2013 Schriftliche Prüfung (2 Stunden) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten! Lesen Sie zuerst alle Aufgaben
MehrInferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
MehrPobeklausur: Einführung in die Ökonometrie. 1. (20 Punkte) Wir betrachten 2 (in den Koeffizienten) lineare Modelle mit folgenden Variablen:
Gesamtpunktzahl: 96 Pobeklausur: Einführung in die Ökonometrie 1. (20 Punkte) Wir betrachten 2 (in den Koeffizienten) lineare Modelle mit folgenden Variablen: cigs: gerauchte Zigaretten pro Tag educ: Bildung
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
MehrProbeklausur - Statistik II, SoSe 2017
Probeklausur - Statistik II, SoSe 2017 Aufgabe 1: Mehrdimensionale Zufallsvariablen (15 Punkte) Gegeben sei ein zweidimensionaler stetiger Zufallsvektor X = (X 1, X 2 ) T mit der gemeinsamen Dichtefunktion
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Datum Vorlesung 18.10.2006 Einführung 18.10.2006 Beispiele 25.10.2006 Daten 08.11.2006 Variablen Kontinuierliche
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung IX. Dynamische Modelle
Dipl. Vw. Matthias Kirbach Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
Mehr