Masterprüfung SS 2016
|
|
- Karlheinz Jörn Jaeger
- vor 6 Jahren
- Abrufe
Transkript
1 Lehrstuhl für Statstk und emprsche Wrtschaftsforschung Prof. Regna T. Rphahn, Ph.D. Masterprüfung SS 06 Fach: Ökonometre Prüfer: Prof. Regna T. Rphahn, Ph.D. Vorbemerkungen: Anzahl der Aufgaben: Bewertung: Erlaubte Hlfsmttel: Wchtge Hnwese: De Klausur besteht aus 5 Aufgaben, de alle bearbetet werden müssen. Es wrd nur der Lösungsbogen engesammelt. Es können maxmal 90 Punkte erworben werden. De maxmale Punktzahl st für jede Aufgabe n Klammern angegeben. Se entsprcht der für de Aufgabe empfohlenen Bearbetungszet n Mnuten. Formelsammlung (st der Klausur begefügt) Tabellen der statstschen Vertelungen (snd der Klausur begefügt) Taschenrechner Fremdwörterbuch Sollte es vorkommen, dass de statstschen Tabellen, de deser Klausur belegen, den gesuchten Wert der Frehetsgrade ncht auswesen, machen Se des kenntlch und verwenden Se den nächstgelegenen Wert. Sollte es vorkommen, dass be ener Berechnung ene erforderlche Informaton fehlt, machen Se des kenntlch und treffen Se für den fehlenden Wert ene plausble Annahme.
2 Aufgabe : [3 Punkte] Se nteresseren sch dafür, we Unterschede n der durchschnttlchen Kalorenaufnahme zwschen Ländern erklärt werden können. Ihnen snd folgende Daten über 07 Länder gegeben: kcal Durchschnttlche täglche Kalorenaufnahme n Land n Klokaloren (kcal) ln_gdppc Logarthmertes Bruttonlandsprodukt von Land n Dollar pro Kopf gran Antel der Getredeanbaufläche an der gesamten Anbaufläche von Land n Prozent (0-00) gran ˆ (gran ) trocken Dummy-Varable, =, wenn n Land trockenes Klma herrscht, =0 sonst tropsch Dummy-Varable, =, wenn n Land tropsches Klma herrscht, =0 sonst medterran Dummy-Varable, =, wenn n Land medterranes Klma herrscht, =0 sonst arktsch Dummy-Varable, =, wenn n Land arktsches Klma herrscht, =0 sonst Es wrd folgendes Regressonsmodell aufgestellt und anschleßend mt Stata geschätzt: kcal = β + β ln_gdppc + β 3 gran + β 4 gran ˆ + β 5 tropsch + β 6 medterran + β 7 arktsch + ε Source SS df MS umber of obs = F( 6, 00) = 7.49 Model Prob > F = Resdual R-squared = Adj R-squared =?????? Total Root MSE = kcal Coef. Std. Err. t P> t [95% Conf. Interval] ln_gdppc gran gran^ tropsch medterran arktsch _cons Runden Se alle Zahlenangaben auf de drtte achkommastelle.. Interpreteren Se den geschätzten Koeffzenten b nhaltlch und statstsch. [ Punkte]. Bestmmen Se den margnalen Effekt des Antels der Getredeanbaufläche. Be welchem Antel st de Kalorenaufnahme maxmal? [,5 Punkte].3 Das Land Balkonen hat en Bruttonlandsprodukt pro Kopf von Dollar, es herrscht medterranes Klma und auf 0% der Anbaufläche wrd Getrede angebaut. We hoch st de erwartete täglche Kalorenaufnahme enes Bewohners von Balkonen? [,5 Punkte].4 Ermtteln Se das R (das angepasste R ) der Regresson. [ Punkte].5 Haben de Dummy-Varablen für das Klma gemensam enen sgnfkanten Enfluss auf de Kalorenaufnahme? Führen Se enen geegneten Test auf dem 5%-Sgnfkanznveau durch. Geben Se ull- und Alternatvhypothese, Teststatstk, krtschen Wert und Testentschedung an. Hnwes: Das Bestmmthetsmaß R des restrngerten Modells beträgt 0,609. [4 Punkte]
3 Aufgabe : [7 Punkte] Se nteresseren sch für den Enfluss der Fertltät auf de Erwerbstätgket von Frauen. Herfür steht hnen en Datensatz über 753 Frauen mt folgenden Varablen zur Verfügung: Job kdsl6 kds68 educ age Dummy-Varable, =, wenn Frau erwerbstätg st, =0 sonst Anzahl der Knder unter 6 Jahren von Frau Anzahl der Knder zwschen 6 und 8 Jahren von Frau Bldung von Frau n Jahren Alter von Frau n Jahren Es wrd folgendes Modell aufgestellt und mttels Logt geschätzt: P(Job = x ) = F(β + β kdsl6 + β 3 kds68 + β 4 educ + β 5 age ) Logstc regresson umber of obs = 753 LR ch(4) = Prob > ch = Log lkelhood = Pseudo R = Job Coef. Std. Err. z P> z [95% Conf. Interval] kdsl kds educ age _cons Runden Se alle Zahlenangaben auf de drtte achkommastelle.. Berechnen Se de Dfferenz n der Wahrschenlchket erwerbstätg zu sen zwschen ener Frau mt enem 5-jährgen Knd und ener Frau mt enem 8-jährgen Knd. Bede haben enen Hauptschulabschluss (0 Jahre Bldung), snd 30 Jahre alt und haben kene weteren Knder. [5 Punkte]. Es gbt zwe gebräuchlche Arten, den margnalen Effekt ener unabhänggen Varable be ener Logt Schätzung zu berechnen. Benennen se kurz n Worten de beden Möglchketen. [ Punkte] Aufgabe 3: [0 Punkte] En Verkehrsverbund nteressert sch für de Determnanten der Anzahl verkaufter U-Bahn-Tckets n senem Gebet. Es legt en Datensatz mt Informatonen für 365 Tage des Jahres 05 vor: ln_tckets t ln_prce t Ran t Speed t Logarthmerte Anzahl verkaufter Enzelfahrschene am Tag t Logarthmerter Pres enes Enzelfahrschenes n e am Tag t ederschlagsmenge n Mllmeter pro Quadratmeter am Tag t Durchschnttlche Straßenverkehrsgeschwndgket n km/h am Tag t Es wrd folgendes Regressonsmodell aufgestellt und anschleßend mt Stata geschätzt: ln_tckets t = β + β ln_prce t + β 3 Ran t + β 4 Speed t + ε t 3
4 Source SS df MS umber of obs = F( 3, 36) = 54.7 Model Prob > F = Resdual R-squared = Adj R-squared = Total Root MSE = ln_tckets Coef. Std. Err. t P> t [95% Conf. Interval] ln_prce Ran Speed _cons Runden Se alle Zahlenangaben auf de drtte achkommastelle. 3. Interpreteren Se den geschätzten Koeffzenten b nhaltlch und statstsch. [ Punkte] 3. Der folgende Stata-Output enthält de Ergebnsse enes Whte-Tests auf Heteroskedaste. Führen Se den Test auf enem Sgnfkanznveau von 5% durch. Geben Se ull- und Alternatvhypothese sowe Hlfsregresson an. Defneren Se de abhängge Varable der Hlfsregresson. Bestmmen Se zudem Teststatstk, Frehetsgrade, krtschen Wert und Testentschedung. [7 Punkte] Whte s test for Ho:??? aganst Ha:??? ch(?) =,4 Prob > ch =?????? 3.3 Es se V (ε t ) = σ Ran 3 t. Zegen Se formal de aus ener generalzed least squares (GLS)-Transformaton resulterende Schätzglechung, welche zu konstanter Störtermvaranz führt. Leten Se zudem de Varanz des Störterms m transformerten Modell her. [,5 Punkte] 3.4 Erläutern Se verbal den Begrff Autokorrelaton. Welche Folgen hat unkorrgerte Autokorrelaton für de geschätzten Parameter und deren Standardfehler? [ Punkte] 3.5 Führen Se enen Breusch-Godfrey-Test auf Autokorrelaton. Ordnung auf enem Sgnfkanznveau von % durch. Geben Se ull- und Alternatvhypothese, Hlfsregresson, Teststatstk, Frehetsgrade, krtschen Wert und Testentschedung an. Defneren Se dabe formal Autokorrelaton. Ordnung. Hnwes: Das Bestmmthetsmaß aus der Hlfsregresson lautet: R = 0,0. [6,5 Punkte] 4
5 Aufgabe 4: [0 Punkte] De Unverstätsletung beauftragt Se, de Determnanten der Klausurlestungen von Erstsemesterstuderenden zu analyseren. Se stellen dazu folgendes Regressonsmodell auf: wobe Se de Varablen we folgt koderen: Punkte = β + β Anwesenhet + γmotvaton + ε (Modell I) Punkte Durchschnttlch errechte Punktzahl des Studerenden n den Klausuren des. Semesters (0-00) Anwesenhet Antel der besuchten Vorlesungen des Studerenden n % (0-00) Motvaton Motvaton des Studerenden für das Studum Der Ihnen durch de Unverstätslestung zur Verfügung gestellte Datensatz mt Daten für 680 Studerende enthält jedoch kene Informaton über de Motvaton der Studerenden, so dass Se ledglch de Glechung mt ν = γmotvaton + ε schätzen können. Punkte = β + β Anwesenhet + ν (Modell II) 4. Leten Se ausgehend von der Formel b = (X X) X (Xβ +Uγ + ε) mt Anwesenhet Motvaton Anwesenhet X =.. und U = Motvaton. Anwesenhet 680 Motvaton 680 n Matrzenschrebwese formal her, unter welchen Bedngungen de Klenstquadrateschätzung (KQ) n Modell II zu enem unverzerrten Schätzer für β führt. Erläutern Se de beden Bedngungen knapp verbal. Machen Se kenntlch, an welcher Stelle der Herletung Se welche Annahme benötgen. Gehen Se davon aus, dass Anwesenhet und Motvaton determnstsch snd. [5,5 Punkte] 4. We unterschedet sch der geschätzte Koeffzent für Anwesenhet zwschen Modell I und II, wenn Se vermuten, dass Cov(Anwesenhet,Motvaton ) > 0 und γ > 0 glt? Erläutern Se Ihre Antwort. We können Se den KQ-Schätzer für β n Modell II nterpreteren? [3 Punkte] 4.3 Ihr Kommltone rät Ihnen, hr Endogentätsproblem durch Instrumenterung von Anwesenhet zu lösen. Er schlägt vor, als Instrumente für Anwesenhet de geographsche Dstanz zwschen dem Wohnort der Studerenden und des Hörsaals (Dstanz) sowe de Gesamtanzahl an verpflchtenden Semesterwochenstunden (SW S) zu nutzen. Erläutern Se verbal, unter welchen Bedngungen de beden Varablen geegnete Instrumente darstellen. [ Punkte] 4.4 Se entscheden sch, bede Instrumente n ener two-stage-least-squares (SLS)-Schätzung von Modell II zu verwenden. Erläutern Se kurz verbal de Vorgehenswese des SLS-Schätzers und stellen Se de für de Schätzung benötgten Modellglechungen auf. [4 Punkte] 5
6 Für Ihre SLS-Schätzung mt Stata erhalten Se folgenden Output: Frst-stage regressons umber of obs = 680 F(, 677) = Prob > F = R-squared = Adj R-squared = Root MSE = Robust Anwesenhet Coef. Std. Err. t P> t [95% Conf. Interval] Dstanz SWS _cons Instrumental varables (SLS) regresson umber of obs = 680 Wald ch() = 8.4 Prob > ch = R-squared = Root MSE = Robust Punkte Coef. Std. Err. z P> z [95% Conf. Interval] Anwesenhet _cons Instrumented: Anwesenhet Instruments: Dstanz SWS 4.5 Interpreteren Se den Koeffzenten für Anwesenhet nhaltlch und statstsch. [ Punkte] 4.6 Erläutern Se den Begrff schwacher Instrumente und dskuteren Se, we sch de Stärke von Instrumenten messen lässt. Erklären Se, ob es sch be Ihren Instrumenten Dstanz und SW S um schwache Instrumente handelt. [3,5 Punkte] 6
7 Aufgabe 5 - MC Fragen [30 Punkte] Btte geben Se de zutreffende Antwort auf Ihrem Multple-Choce-Lösungsblatt an. Zu jeder Frage gbt es genau ene rchtge Antwort. Für jede korrekt beantwortete Frage erhalten Se enen Punkt. Falsche Antworten führen ncht zu Punktabzug. Be mehr oder wenger als ener markerten Antwort auf ene Frage glt dese als ncht beantwortet. Angaben auf dem Aufgabenblatt werden ncht gewertet.. En Messfehler n x führt be ener KQ-Schätzung des Modells y = β + β x + ε a zum Problem des ablty bas. b zu ener Überschätzung von β. c zu endogenen Störtermen. d zu ener Verzerrung von β.. Be GLS (generalzed least squares) Schätzern a muss de Varanz-Kovaranz Matrx geschätzt werden. b snd nach der GLS-Transformaton de Gauß-Markov Annahmen verletzt. c st de Varanz-Kovaranz Matrx des Störterms bekannt. d snd t- und F-Tests ncht gültg. 3. Was st ene Egenschaft des KQ-Schätzers be bnärer abhängger Varable? a Der Fehlerterm st mmer heteroskedastsch. b Es werden mmer erwartete Wahrschenlchketen außerhalb des Intervalls [0,] errechnet. c Er st mmer verzerrt. d Das R hat kene snnvolle Interpretaton. 4. Der feasble GLS (FGLS)-Schätzer st be Gültgket der unterlegenden Annahmen a konsstent und neffzent. b erwartungstreu und asymptotsch effzent. c erwartungstreu und effzent. d konsstent und asymptotsch effzent. 5. Unkorrgerte Heteroskedaste m lnearen Regressonsmodel führt zu a Effzenz des KQ-Schätzers. b Verzerrung des KQ-Schätzers. c falschen Werten der t-statstk. d korrekten Standardfehlern des KQ-Schätzers. 6. Se schätzen das Modell Stundenlohn = β male + β f emale + β 3 educ + β 4 (male educ ) + ε mttels KQ (educ ˆ= Bldung n Jahren). Welche Aussage über de Schätzung trfft zu? a Das angepasste R gbt an, we vel Prozent der Varaton m Stundenlohn durch das Modell erklärt werden. b Das Modell lässt sch aufgrund perfekter Multkollneartät ncht schätzen. c b 3 gbt de geschätzte Bldungsrendte für Frauen an. d b 4 gbt de geschätzte Bldungsrendte für Männer an. 7. Autokorrelaton m Störterm kann behoben werden durch a ene Vergrößerung der Stchprobe. b ene OLS-Transformaton. c de Aufnahme von rrelevanten erklärenden Varablen. d ene FGLS Schätzung. 8. Se schätzen das Modell ln_stundenlohn = β + β male + β 3 educ + ε mttels KQ-Schätzer. Der geschätzte Koeffzent b st 0,86. We hoch st der erwartete Lohnuntersched zwschen Männern und Frauen mt glecher Ausbldung genau? a 8, 60% b 33, % c 48, 97% d 7, 40% 7
8 9. Se führen enen Chow-Test auf Geschlechterunterschede für de KQ-Schätzung des Modells Stundenlohn = β + β male + β 3 educ + ε durch. De Teststatstk des Chow-Tests hat den p-wert 0,443. Was können Se daraus schleßen? a Männer haben m Mttel enen höheren Stundenlohn als Frauen. b Der mttlere Stundenlohn von Männern und Frauen unterschedet sch ncht sgnfkant. c De Bldungsrendte von Männern und Frauen unterschedet sch sgnfkant. d De Bldungsrendte von Männern und Frauen unterschedet sch ncht sgnfkant. 0. De obere und untere Grenze für den krtschen Wert enes Durbn-Watson Tests auf Autokorrelaton für en lneares Modell mt 90 beobachteten Peroden, ener Konstante, 3 unabhänggen Varablen beträgt auf enem Sgnfkanznveau von 5% a d L =,6 und d W =,70. b d L =,6 und d W =,7. c d L =,59 und d W =,73. d d L =,57 und d W =,75.. Welche Annahme des Gauß-Markov-Theorems st verletzt, wenn de Matrx X de ( K)-Dmenson ( 0) und enen Rang von 0 hat? a A: {x,...,x } und {ε,...,ε } snd unabhängg. b A3: V {ε } = σ für =,,...,. c A6: = x x konvergert gegen ene postv defnte nchtsnguläre Matrx xx. d Kene. ( ) 3 4. Für de Matrzen A = und B = glt 6 9 ( ) a AB = ( ) b AB = ( ) c AB = ( ) d AB = Be unabhänggen Beobachtungen entsprcht de Log-Lkelhoodfunkton a dem Produkt der ndvduellen logarthmerten Wahrschenlchketsdchten der beobachteten abhänggen Varable. b der Summe der ndvduellen logarthmerten Wahrschenlchketsdchten der beobachteten abhänggen Varable. c dem Produkt der ndvduellen logarthmerten Wahrschenlchketsdchten der beobachteten unabhänggen Varablen. d der Summe der ndvduellen logarthmerten Wahrschenlchketsdchten der beobachteten unabhänggen Varablen. 4. Im lnearen Modell y = β + β x + β 3 x + ε mt β > 0 und β 3 < 0 st f (y) ene a lneare Funkton von x. b konvexe Funkton von x. c konkave Funkton von x. d konstante Funkton von x. 5. Für de Hlfsregresson enes RESET-Test bldet man das Quadrat und höhere Polynome der a abhänggen Varable. b Resduen. c vorhergesagten Werte der abhänggen Varable. d der unabhänggen Varable, de man testen wll. 6. Schwarzs Bayesansches Informatonskrterum a wrd mt Hlfe der Resduenvaranz ausgerechnet. b st ncht geegnet, genestete Modelle mtenander zu verglechen. c lässt sch für ene Probtschätzung aus der Informatonsmatrx ermtteln. d bewertet de Effzenz ener Schätzung. 8
9 7. De rrelevante Varable z n der KQ-Schätzung des Modells y = β + β x + β 3 z + ε a führt zu nkonsstenten Koeffzentenschätzern, wenn de Stchprobe klen st. b erhöht de Störtermvaranz. c führt schon be lechter Multkollneartät zu verzerrten Koeffzentenschätzern. d erhöht de Varanz des Koeffzentenschätzers b, wenn cov(x,z) Wenn für zwe Zufallsvarablen X und Y glt, dass E(Y X) = E(Y ), dann a st der Korrelatonskoeffzent zwschen X und Y glech 0. b st de Kovaranz zwschen X und Y glech. c st der auf X bedngte Erwartungswert von Y glech 0. d snd X und Y statstsch unabhängg. 9. Se führen enen rechtssetgen und enen bedsetgen t-test durch. We unterscheden sch de krtschen Werte, wenn se bede Tests für das gleche Modell, de gleche Stchprobe und das gleche Sgnfkanznveau durchführen? a Der krtsche Wert des ensetgen Tests st größer. b Der krtsche Wert des bedsetgen Tests st größer. c Der krtsche Wert st n beden Tests glech groß. d De Antwort hängt von dem Vorzechen des Koeffzenten ab. 0. De Annahme ε t..d.(0,σ ) mplzert, dass de Störterme a ncht heteroskedastsch und ncht autokorrelert sen können. b heteroskedastsch und autokorrelert sen können. c autokorrelert sen können. d heteroskedastsch sen können.. De Alternatvhypothese m Durbn-Watson Test besagt, dass a Heteroskedaste vorlegt. b Autokorrelaton vorlegt. c sowohl Heteroskedaste als auch Autokorrelaton vorlegen. d weder Heteroskedaste noch Autokorrelaton vorlegen.. Be Vorlegen von Homoskedaste und Autokorrelaton glt für de Varanz-Kovaranz Matrx des Störterms, dass de Enträge a auf der Hauptdagonalen konstant und de Enträge absets der Dagonalen unglech 0 snd. b auf der Hauptdagonalen konstant und de Enträge absets der Dagonalen 0 snd. c auf der Hauptdagonalen unterschedlch und de Enträge absets der Dagonalen unglech 0 snd. d auf der Hauptdagonalen unterschedlch und de Enträge absets der Dagonalen 0 snd. 3. Ene t-vertelte Zufallsvarable a hat für große Stchproben mt hoher Wahrschenlchket enen Wert be 0. b entsprcht der Wurzel ener F-vertelten Zufallsvarable. c entsteht durch de Summerung mehrerer standardnormalvertelter Varablen. d nähert sch mt stegender Stchprobengröße der χ -Vertelung an. 4. cov(ε,ε j ) = 0 für alle j mplzert, dass a V (ε) = σ I. b ε ID(0,σ ). c cov(x,ε ) = 0. d E(ε ε ) = 0. 9
10 ( ) De Inverse der Matrx A = lautet ( ) /7 5/7 a A =. ( /7 3/7 ) 3/7 5/7 b A =. ( /7 /7 ) /7 5/7 c A =. ( /7 3/7 ) 3/7 /7 d A =. 5/7 /7 6. Für de Beobachtung (y,x ) = (, ) beträgt das Resduum für de Schätzglechung ŷ = 3,5 + 0,5x a -. b. c 3. d De FGLS-Schätzung be heteroskedastschen Störtermen beruht darauf, dass a Beobachtungen mt klener Störtermvaranz en kleneres Gewcht erhalten als Beobachtungen mt großer Störtermvaranz. b Beobachtungen mt klener Störtermvaranz en größerers Gewcht erhalten als Beobachtungen mt großer Störtermvaranz. c nur de abhängge Varable so transformert wrd, dass Homoskedaste vorlegt. d de Standardfehler des KQ-Schätzers neu berechnet werden. 8. Im lnearen Modell y = β + β x + β 3 x + β 4x + ε seen x und x exogen und x endogen, wobe x durch z und z nstrumentert werden kann. Welche der folgenden Bedngungen benötgt man zur Herletung des IV-Schätzers ncht: a = (y b b x b 3 x b 4x )x = 0. b = (y b b x b 3 x b 4x ) = 0. c = (y b b x b 3 x b 4x )x = 0. d = (y b b x b 3 x b 4x )z = Welche der Aussagen für den KQ-Schätzer st rchtg? a Unverzerrthet erfordert, dass der Störterm unabhängg von allen erklärenden Varablen st. b Für = x x muss Sngulartät gegeben sen. c Konsstenz st ene asymptotsche Egenschaft. d Asymptotsche ormalvertelung des Schätzers setzt ε (0,σ I) voraus. 30. Der Breusch-Pagan Test a kann ene H 0, de ncht zutrfft, mt höherer Wahrschenlchket verwerfen als der Whte Test. b st allgemener als der Whte Test. c prüft, ob e durch de ersten und zweten Momente und Interaktonsterme der ursprünglchen Regressoren erklärt werden kann. d hat ene Teststatstk, de auch n klenen Stchproben χ -vertelt st. 0
11 Tabelle : Perzentle der t-vertelung Zellenentrag: x, sodass Prob x P, mt n Frehetsgraden t n P n Quelle: In R generert
12 Tabelle 3: Perzentle der -Vertelung Zellenentrag: c, sodass Prob c P, mt n Frehetsgraden n n P Quelle: In R generert 3
13 Tabelle 4a: 95% Perzentle der F-Vertelung Zellenentrag: f, sodass Prob f F n, n n = Frehetsgrade des Zählers n n = Frehetsgrade des Zählers n Quelle: In R generert 4
14 Tabelle 4b: 99% Perzentle der F-Vertelung Zellenentrag: f, sodass Prob f F n, n n = Frehetsgrade des Zählers n n = Frehetsgrade des Zählers n Quelle: In R generert 5
15 Tabelle 5: Durbn-Watson Teststatstk d L und d U am 5% Sgnfkanznveau k= k=3 k=4 k=5 k=6 k= k=6 n dl du dl du dl du dl du dl du dl du dl du Anmerkung: k st de Anzahl der Regressoren mt Konstante. Quelle: Johnston, J. and J. Dardo, 997, Econometrc Methods, 4 th ed., ew York: McGraw-Hll 6
16 Formeln Ökonometre I. Mathematsche Grundlagen. Algebra AB ' B'A ' A' ' A AA I und A A I A ' A' AB B A Abletung von Matrzen Für de Matrx A und de Vektoren x und c glt be passender Ordnung: c'x c x Ax A' x Wenn A symmetrsch st: x'ax Ax x. Varanz, Kovaranz und Korrelatonskoeffzent Varanz: V Y E Y E Y EY E Y Kovaranz: EXEY YX cov Y,X E Y E Y X E X E XY Korrelatonskoeffzent: Y, X cov YX YX YX YX V X V Y X,Y snd unkorrelert, wenn cov{y,x} = 0 Rechenregeln:, Wenn a, b, c, d Skalare und X, Y Zufallsvarablen snd: V ay b a V Y V ay bx a V Y b V X ab cov Y, X II. Annahmen m lnearen Modell A E 0 =,,..., A x,,x und,, unabhängg snd A 3 V =,,, A 4 j cov, 0,j =,,, j A 5 ~ (0, I ) A 5' ~ ID (0, ) A 6 xx ' konvergert gegen ene postv defnte nchtsnguläre Matrx xx. A 7 E{x } = 0 A 8 xt und t snd für gegebenes t statstsch unabhängg A 9 V X Dag h A 0 E{X} = 0 A t ~ IID (0, ) A t st über de Zet unkorrelert, mt Erwartungswert 0. III. Das Lneare Regressonsmodell Lösung für : b xx ' xy st bzw. wenn b X'X X'y wenn X'X nverterbar st Lösung für b wenn y = + x + : b x xy y x x Varanz des KQ Schätzers: xx ' nverterbar V b X X'X x x '
17 Unverzerrter Schätzer für : s e K IV. Maxmum Lkelhood Lkelhood Funkton m Modell mt ener bnären abhänggen Varable: y y L P y x ; P y 0 x ; Log-Lkelhood Funkton m Modell mt ener bnären abhänggen Varable: log L y log F x ' y log F x ' Margnale Effekte m Probt und Logt Modell: Probt: x ' x ' k x k Logt: x' expx' xk expx ' V. Gütemaße ŷ y e R y y y y Angepasstes R R AIC e K y y K AIC log e BIC K BIC log e log k pseudo R pseudor log L log L 0 / Mc Fadden R McFadden R log L / log L0 VI. Tests Krtscher Wert be enem ensetgen Test P tk tk; Konfdenzntervall zum veau - b t se b b t se b Teststatstk für enen F-Test auf gemensame Sgnfkanz S0 S /J F ~ FJ,K S /( K) R R /J F R /(K) 0 Teststatstk Goldfeld-Quandt-Test sa ~F A K,BK s B Teststatstk Durbn-Watson-Test dw T t e t t T t e e t Teststatstk Wald-Test ξ Rθ q RVR Rθ q~χ Teststatstk Lkelhood-Rato-Test ˆ LR log L log L VII. IV Schätzer ˆ zx' zy IV ˆ IV 0 xz zz zx, k k k k k K; K; J
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,
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung
Lehrstuhl für Statstk und emp. Wrtschaftsforschung, Prof. R. T. Rphahn, Ph.D. Bachelorprüfung, Praxs der emprschen Wrtschaftsforschung Fach: Prüfer: Bachelorprüfung Praxs der emprschen Wrtschaftsforschung
Mehr6. 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
MehrBeschreibung 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
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
MehrKlausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A
Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen
MehrEmpirische Wirtschaftsforschung
Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung
MehrBachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D.
Lehrstuhl für Statstk und emprsche rtschaftsforschung, SS 009 ach: Prüfer: Bachelorprüfung Praxs der emprschen rtschaftsforschung Prof. Regna T. Rphahn, Ph.D. Name, Vorname Matrkelnr. E-Mal Studengang
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrMehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren
Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +
MehrTeil 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.
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrLineare 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:
MehrLernziele. Kapitel 1: Einführung. Was ist und wozu benötigt man die Ökonometrie? 1.1 Technische Vorbemerkungen
Kaptel : Enführung. Technsche Vorbemerkungen. Inhaltlche Glederung und Zele der Veranstaltung.3 Ökonometre: Was, wozu und we? Lernzele Was st und wozu benötgt man de Ökonometre? We rechnet man mt Vektoren
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung
Lehrstuhl ür Statstk und emp. Wrtschatsorschung, Pro. R. T. Rphahn, Ph.D. Bachelorprüung, Praxs der emprschen Wrtschatsorschung Augabe 1: [11 Punkte] Se vermuten, dass das Nveau der Wohnungsmeten n Unverstätsstädten
MehrDaten 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
Mehrnonparametrische 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
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
MehrAnalyse 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
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
MehrLehrstuhl 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
Mehrwird 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
MehrKapitel 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
MehrBeschreibende 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 )
MehrMultivariate Analysemethoden
Multvarate Analysemethoden q-q-plot Methode zur Prüfung der Multvaraten Normalvertelung Günter Menhardt Johannes Gutenberg Unverstät Manz Prüfung der NV-Annahme Vertelungsanpassung/Prüfung Prüfung der
MehrKapitel 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
Mehr1.1 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):
MehrKurs 9.3: Forschungsmethoden II
MSc Bankng & Fnance Kurs 9.3: Forschungsmethoden II Zetrehenanalyse Lernsequenz 08: Enführung Panelregresson Dezember 2014 Prof. Dr. Jürg Schwarz Inhaltsverzechns Fole 2 Paneldaten 3 Arten von Stchproben...
MehrAuswertung 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-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
MehrNetzwerkstrukturen. 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.
MehrNomenklatur - 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(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y
5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrWS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9
WS 2016/17 Prof. Dr. Horst Peters 06.12.2016, Sete 1 von 9 Lehrveranstaltung Statstk m Modul Quanttatve Methoden des Studengangs Internatonal Management (Korrelaton, Regresson) 1. Überprüfen Se durch Bestmmung
MehrLineare Regression - Mathematische Grundlagen
FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr
Mehr8 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
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 8. Übung (08.01.2008) Agenda Agenda Verglech Rasch-Modell vs. 2-parametrsches logstsches Modell nach Brnbaum 2PL-Modelle n Mplus Verglech
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik
Grundlagen sportwssenschaftlcher Forschung Deskrptve Statstk Dr. Jan-Peter Brückner jpbrueckner@emal.un-kel.de R.6 Tel. 880 77 Deskrptve Statstk - Zele Beschreben der Daten Zusammenfassen der Daten Überblck
MehrEigenschaften 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
Mehr5. 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
MehrBeim 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.
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
MehrLineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
MehrKapitel 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
MehrItem-response Theorie (Probablistiche Testtheorie) Grundidee der item-response Theorie ist, dass die Antworten auf die Testitems lediglich
Item-response Theore (Probablstche Testtheore Grnddee der tem-response Theore st, dass de Antworten af de Testtems ledglch Indatoren für ene z messende latente Varable (Trats, Klassen snd. Je nach Asprägng
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
MehrKapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation
Kaptel 7: Ensemble Methoden 133 Komtees Mehrere Netze haben bessere Performanz als enzelne Enfachstes Bespel: Komtee von Netzen aus der n-fachen Kreuzvalderung (verrngert Varanz) De Computatonal Learnng
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastk, 11.5.13 Wr gehen stets von enem Maßraum (, A, µ) bzw. enem Wahrschenlchketsraum (,A,P) aus. De Borel σ-algebra auf R n wrd mt B n bezechnet, das Lebesgue Maß auf R n wrd mt
MehrDYNAMISCHE PANEL-MODELLE
UIVERSIÄ IE ISIU FÜR VOLKSIRSCHAFSLEHRE MAI 005 SEMIARARBEI DAMISCHE PAEL-MODELLE BEARBEIE VO SEPHA SHARMA (0008897 FÜR 30063 ÖKOOMERISCHE MEHODE FÜR PAELDAE LEHRVERASALUGS-LEIER: PROF ROBER KUS IHALSVERZEICHIS
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
MehrDie hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)
ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.
MehrLösungen 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
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
MehrStandardnormalverteilung / 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
MehrAufgabe 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
MehrStatistische Methoden für Bauingenieure WS 13/14
Statstsche Methoden ür Baungeneure WS 3/4 Enhet 3: Bvarate Zuallsvarablen Unv.Pro. Dr. Günter Blöschl Bezechnungen... Zuallsvarable... Realsaton konkrete Werte Momente Grundgesamthet Mttelwert,Varanz Stchprobe
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
Mehr(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,...,
MehrFunktionsgleichungen 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
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
MehrFORMELSAMMLUNG 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
MehrLehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im SS 2012
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im SS 2012 Aufgabe 1 (20 Punkte) Sei y = Xβ + ε ein N 1 Vektor und X eine N K Matrix.
MehrNSt. 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
MehrTeil IV: Drei Musterklausuren
Tel IV: Dre Musterklausuren Hauptklausur SS 97 Aufgabe : 5 Schwmmer verschedenen Alters erbrachten n Wettkämpfen über 50 m Brustschwmmen de folgenden Zeten: Alter Zeten n sec. 8 37.00 40.00 4.00 30 39.00
MehrHydrologie und Flussgebietsmanagement
13.11.010 Hydrologe und Flussgebetsmanagement o.unv.prof. DI Dr. H.P. Nachtnebel Insttut für Wasserwrtschaft, Hydrologe und konstruktver Wasserbau Glederung der Vorlesung Statstsche Grundlagen Extremwertstatstk
MehrMusterklausur Wirtschaftsmathematik und Statistik. Zusatzstudium für Wirtschaftsingenieur
Musterklausur Wrtschaftsmathematk und Statstk Zusatzstudum für Wrtschaftsngeneur Telnehmer (Name, Vorname): Datum:.2006 Prüfer: Böhm-Retg Matrkelnummer: REGELN 1. Zum Bestehen der Klausur snd mndestens
MehrKonkave 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
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrFachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung
Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung
MehrItemanalyse 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
MehrGrundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt
Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten
MehrSchätzfehler in der linearen Regression (1) Einführung
Schätzfehler ( Reduum: Schätzfehler n der lnearen Regreon ( e Enführung Zel der Regreontattk t e, Schätzglechungen nach dem Krterum der klenten Quadrate aufzutellen und anzugeben, we groß der jewelge Schätzfehler
MehrMasterprüfung SS 2014
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Masterprüfung SS 2014 Fach: Ökonometrie Prüfer: Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnummer E-Mail
Mehr12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
MehrANOVA (Analysis of Variance) Varianzanalyse. Statistik Methoden. Ausgangssituation ANOVA. Ao.Prof.DI.Dr Josef Haas
Ao.Prof.DI.Dr Josef Haas josef.haas@medungraz.at ANOVA (Analyss of Varance) Varanzanalyse Statstk Methoden Verglech von Mttelwerten Ao.Unv.Prof.DI.Dr. Josef Haas josef.haas@medungraz.at Ausgangsstuaton
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
MehrSpiele 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,,
Mehr1 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)
MehrOrdered Response Models (ORM)
Handout: Mkroökonometre Ordered Response Models Domnk Hanglberger - SS 28 Ordered Response Models (ORM) Ist de abhängge Varable ordnal skalert (d.h. hre Kategoren lassen sch n ene Rangrehenfolge brngen,
MehrAufgabenteil. - 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
MehrMASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS. Mathematische Grundlagen
MASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS Matheatsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Opterung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz,
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen
INTELLIGENTE DATENANALYSE IN MATLAB Mathematsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Optmerung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz, Stochastk: Wahrschenlchketstheore,
MehrAuswertung 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;
MehrAspekte zur Approximation von Quadratwurzeln
Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet
Mehr1. Teilprüfung FS 2008
. Telprüfung Statstk und Wahrschenlchketsrechnung FS 2008 Dr. J. Köhler ETH Zürch Donnerstag 0. Aprl 2008 08:5 09:45 Vorname:... Name:... Stud. Nr.:... Studenrchtung:... . Telprüfung: Statstk und Wahrschenlchketsrechnung
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
MehrÜbung zu Erwartungswert und Standardabweichung
Aufgabe Übung zu Erwartungswert und Standardabwechung In ener Lottere gewnnen 5 % der Lose 5, 0 % der Lose 0 und 5 % der Lose. En Los kostet 2,50. a)berechnen Se den Erwartungswert für den Gewnn! b)der
MehrWeitere NP-vollständige Probleme
Wetere NP-vollständge Probleme Prosemnar Theoretsche Informatk Marten Tlgner December 10, 2014 Wr haben letzte Woche gesehen, dass 3SAT NP-vollständg st. Heute werden wr für enge wetere Probleme n NP zegen,
Mehr6. Wirkungsanalyse Grundlagen Ansätze für Daten ohne Selektionsbias Soziale Experimente CLRM
6. Wrkungsanalyse 6.. Grundlagen 6.. Ansätze für Daten ohne Selektonsbas 6... Sozale Expermente 6... CLRM 6..3. Matchng 6.3. Ansätze für Daten mt Selektonsbas 6.3.. Dfferences-n-Dfferences 6.3.. Selektonsmodelle
MehrStochastische 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)
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
MehrKapitel 1: Einführung in die Mikroökonometrie. 1.1 Allgemeine Bemerkungen zur Veranstaltung Ziele der Veranstaltung Mikroökonometrie
Kaptel : Enführung n de Mkroökonometre. Allgemene Bemerkungen zur Veranstaltung. Was st Mkroökonometre?. Allgemene Bemerkungen zur Veranstaltung.. Zele der Veranstaltung Mkroökonometre () Vermttlung anwendungsrelevanter
MehrÜbung 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