Diplomprüfung im Fach Ökonometrie im SS 06 - Aufgabenteil
|
|
- Innozenz Junge
- vor 6 Jahren
- Abrufe
Transkript
1 Lehrstuhl für Statstk und emprsche Wrtschaftsforschung Prof. Regna T. Rphahn, Ph.D. Dplomprüfung m Fach Ökonometre m SS 06 - Aufgabentel Name, Vorname Matrkelnr. Studengang Semester Datum Raum, Stzplatz-Nr. H6, Unterschrft Vorbemerkungen: Anzahl der Aufgaben: Bewertung: Erlaubte Hlfsmttel: Wchtge Hnwese: De Klausur besteht aus 7 Aufgaben, von denen alle bearbetet werden müssen. De Prüfung dauert 120 Mnuten, es können maxmal 120 Punkte erworben werden. De Punktzahl st für jede Aufgabe n Klammern angegeben. 2 DIN A4-Blätter mt Notzen (Vorder- und Rücksete, also max. 4 DIN A4-Seten) Tabellen der statstschen Vertelungen (snd der Klausur begefügt) Taschenrechner Fremdwörterbuch Sollte es vorkommen, dass de statstschen Tabellen, de deser Klausur belegen, den exakten Wert der Frehetsgrade ncht auswesen, machen Se des kenntlch und verwenden Se den nächstgelegenen Wert. Sollte es vorkommen, dass be ener Berechnung ene erforderlche Annahme fehlt, machen Se des kenntlch und treffen Se für den fehlenden Wert ene plausble Annahme. De Aufgaben 6 und 7 snd m Aufgabentel zu beantworten, de restlchen Aufgaben m Lösungstel. Verwenden Se herbe für jede Aufgabe en neues Blatt.
2 Aufgabe 1: [22 Punkte] Ene US-amerkansche Umweltbehörde untersucht de Determnanten der Luftqualtät n Kalfornen. De Behörde sammelt dazu für 21 Küsten- und 9 Nchtküstenregonen Daten über de folgenden Indkatoren: arq: vala: ran: coas: dens: med: Index für Luftverschmutzung (Wert=200 be maxmaler, =0 be mnmaler Verschmutzung) Wertschöpfung von Unternehmen (n 1000 US-$) Nederschlag (n Kubk-Zoll) Dummyvarable über regonale Lage (1 = Küstenregon, 0 = sonst) Bevölkerungsdchte (pro Quadrat-Mele) durchschnttlches Pro-Kopf-Enkommen (n US-$) De Behörde unterstellt folgendes Modell: arq = β + β vala + β ran + β coas + β dens + β med + e De Auswertung der Daten mt R ergbt folgenden Output: Call: lm(formula = arq ~ vala + ran + coas + dens + med) Coeffcents: Estmate Std. Error t value Pr(> t ) (Intercept) ? 1.53e-07 *** vala ran coas ? ** dens med Sgnf. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Resdual standard error: 24.2 on 24 degrees of freedom Multple R-Squared: , Adjusted R-squared:? F-statstc:? on 5 and 24 DF, p-value: a) Berechnen Se unter Angabe des Rechenwegs (6 Punkte) a1) den t-wert für b 0 ; a2) den Standardfehler für b 3 ; a3) en 95% Konfdenzntervall für b 2 ; a4) de F-Statstk; a5) das korrgerte R 2. b) Interpreteren Se de Koeffzenten b 3 und b 5 nhaltlch und statstsch. (2 Punkte) c) In ener zusätzlchen Schätzung wrd statt des absoluten Wertes der logarthmerte Wert der Bevölkerungsdchte verwendet. Der geschätzte Koeffzent beträgt , der dazugehörge t-wert Interpreteren Se nhaltlch und statstsch. (2 Punkte) d) In ener weteren Schätzung wrd dem Modell aus a) en Interaktonsterm coas*med hnzugefügt. De geschätzte Regressonsgerade lautet: arq = *vala *ran 37.27*coas *dens 0.55*med *(coas*med). Berechnen Se den margnalen Effekt des Durchschnttsenkommens für Küstenregonen und für Nchtküstenregonen und nterpreteren Se dese nhaltlch. (3 Punkte) e) Beschreben Se de Vorgehenswese des Breusch-Pagan Tests. De aus dem ersten Modell (sehe Output) resulterende Teststatstk st BP= Testen Se auf dem 5%-Sgnfkanznveau, ob Heteroskedaste vorlegt. (5 Punkte) 1
3 f) Es besteht weterhn de Vermutung, dass de Fehlertermvaranz mt stegendem Enkommen varert: 2 var e = σ = σ 2 * med, was zu Heteroskedaste führen kann. (4 Punkte) ( ) f1) Beschreben Se ene Vorgehenswese, das zugrunde legende Modell so zu transformeren, dass en Modell mt homoskedastschen Fehler resultert und zegen Se letzteres. f2) We unterschedet sch de Interpretaton der Schätzergebnsse des Modells mt transformerten Daten von derjengen der Orgnalschätzung? Aufgabe 2: [8 Punkte] Ene Unternehmensberatung untersucht de relatve Effzenz der Wenprodukton n 75 kalfornschen Wnzereen und legt herfür de folgende Produktonsfunkton zugrunde: wobe y : xper : cap : lab : y = β + β xper + β cap + β lab + e, (Quanttäts- und Qualtäts-)Index der -ten Wnzere Erfahrung des Managers der -ten Wnzere Kaptalensatz der -ten Wnzere Arbetsensatz der -ten Wnzere Zusätzlch steht noch Informaton über das Alter des Managers der -ten Wnzere (age ) zur Verfügung. In der nachfolgenden Tabelle snd de Ergebnsse ener Klenstquadrate-Schätzung (KQ), ener Hlfsregresson, ener IV-Schätzung sowe ener KQ-Schätzung ener reduzerten Glechung dargelegt: (1) (2) (3) (4) KQ Hlfsregresson IV KQ Abh. Varable y y y xper Constant 1.762* * (1.06) (2.19) (2.72) (2.57) cap 0.438*** 0.332*** 0.332** 0.407* (0.12) (0.12) (0.15) (0.21) lab 0.239** 0.240** 0.240* (0.100) (0.097) (0.12) (0.18) xper 0.147** 0.512*** 0.512** (0.063) (0.18) (0.22) age 0.166*** (0.053) ν ** (0.19) Observatons R Anmerkungen: Standardfehler n Klammern; *** p<0.01, ** p<0.05, * p<0.1 a) De Unternehmensberatung vermutet, dass xper mt e korrelert st. Was wäre de Konsequenz?(2 Punkte) b) Für den Durbn-Wu-Hausman Test wurde de Hlfsregresson n Spalte (2) durchgeführt. Beschreben Se den Test nklusve der Null- und Alternatvhypothese und führen Se hn durch. (4 Punkte) c) Ist age en gutes Instrument für xper? Dskuteren Se kurz de beden relevanten Aspekte. (2 Punkte) 2
4 Aufgabe 3: Unterstellen Se das wahre Modell y = x β + z γ + ε. [16 Punkte] a) Erläutern Se ausführlch de Auswrkungen für b, wenn statt des wahren Modells nur y = xβ + ε geschätzt wrd. (3 Punkte) b) Erläutern Se de Konsequenzen, wenn das Modell aus a) das wahre wäre, jedoch das engangs unterstellte Modell geschätzt würde. (1 Punkte) c) We können Se allen mt Hlfe der Schätzergebnsse aus Telaufgabe a) emprsch de funktonale Form des Modells überprüfen? Stellen Se Ihre Vorgehenswese kurz dar. (5 Punkte) d) De nachfolgende Tabelle zegt KQ Schätzergebnsse ener Lohnfunktonsglechung, n der zunächst nur für Jahre der Bldung (educ) kontrollert wrd. De Schätzungen n den Spalten (2) und (3) kontrolleren für Testergebnsse enes IQ-Tests (IQ) als Proxy für ncht beobachtbare Fähgketen sowe für enen Interaktonsterm zwschen educ und IQ. In der Stchprobe legen de Mttelwerte (Standardabwechungen) für educ be (2.20) und für IQ be (15.05). (7 Punkte) Abh. Varable: log(wage) (1) (2) (3) Constant (0.113) (0.128) (0.546) educ (0.006) (0.007) (0.041) IQ (0.0010) (0.0052) educ*iq ( ) Observatons R Anmerkungen: Standardfehler n Klammern d1) Welchen Effekt hat de Berückschtgung von IQ auf b educ? Interpreteren Se de Ergebnsse n Spalten (1) und (2) nhaltlch. d2) Spalte (2): We hoch st der Effekt ener Stegerung n IQ um ene Standardabwechung, ausgedrückt n Enheten von educ? d3) Spalte (3): We nterpreteren Se her b educ? Aufgabe 4: [8 Punkte] Unterstellen Se das Modell y = x t t β + α + εt, mt als Index für de Beobachtungsenhet und t als Index für de Beobachtungsperode t. a) Durch welche Annahmen unterscheden sch random effects und fxed effects Schätzer. (3 Punkte) b) En Hausman Test prüft, ob de Ergebnsse enes random effects oder fxed effects Schätzers zu bevorzugen snd. (5 Punkte) b1) Skzzeren Se de Idee des Hausman Tests. b2) De Teststatstk enes Hausman Tests se 2.33 be 2 Frehetsgraden. Testen Se auf dem 5% Sgnfkanznveau, ob der random effects oder der fxed effects Schätzer heranzuzehen st. 3
5 Aufgabe 5: Gegeben se en Störtermprozess mt folgender Struktur: [11 Punkte] ε = υ + υ + υ, t t t 1 t 2 2 wobe υ ~ N ( 0, σ t υ ) und cov ( υ, υ ) 0 s. t t = s a) Bestmmen Se de Varanz von ε und de Kovaranz benachbarter Störterme ε t und εt 1. b) Stellen Se de Varanz-Kovaranz-Matrx von ε t dar. (3 Punkte) (4 Punkte) c) Beschreben Se enen emprschen Zusammenhang, be dem ene solche Fehlertermstruktur vorkommen kann. (4 Punkte) Aufgabe 6: [40 Punkte] Wahr oder falsch? Tragen Se für jede der folgenden Aussagen en w für wahr oder en f für falsch en. Für jede rchtge Antwort gbt es 0.75 Punkte, für jede falsche Antwort werden 0.75 Punkte abgezogen. De Gesamtpunktzahl kann ncht negatv werden. Das angepasste R 2 entsprcht der Korrelaton zwschen der abhänggen Varablen ener lnearen Regressonsglechung und hrem vorhergesagten Wert. Wrd bem GMM Schätzer ncht de optmale Gewchtungsmatrx W gewählt, so snd de Parameterschätzer verzerrt. Autokorrelerte Störtermprozesse snd dann statonär, wenn der Enfluss vergangener Schocks auf de laufenden Störterme mt der Zet abnmmt. Im lnearen Regressonsmodell wrd unterstellt, dass de abhängge Varable kene Zufallsvarable st. Be Gültgket des Gauss-Markov Theorems gbt es kenen Schätzer des lnearen Regressonsmodells mt klenerer Varanz als de des Klenstquadrateschätzers. Bem Least Squares Dummy Varables Schätzer (LSDV) wrd en Klenstquadrateschätzer auf en Modell angewendet, be dem sowohl von der abhänggen Varable, we von den erklärenden Varablen de beobachtungsspezfschen Mttelwerte abgezogen wurden. AR(1) Störterme snd homoskedastsch. Be endogenen erklärenden Varablen st ene GMM Schätzung dann effzent, wenn de Anzahl der Momentenbedngungen (R) klener st als de Anzahl der zu schätzenden Parameter (K). Der Klenstquadrateschätzer mnmert de Summe der quadrerten horzontalen Abwechungen von der Regressonsgerade. Wenn statt enes Cochrane-Orcutt Schätzers en teratver Cochrane-Orcutt Schätzer verwendet wrd, stegt de Effzenz der Schätzung. De Normalvertelung st ene enparametrge Vertelungsfunkton. Der Durbn-Wu-Hausman Test auf Endogentät ener erklärenden Varablen wrd durchgeführt, ndem der Regressonsglechung ene zusätzlche erklärende Varable hnzugefügt wrd. Be negatver Autokorrelaton zweter Ordnung st der Durbn-Watson Test ncht durchführbar. Man wählt den GIVE (generalzed nstrumental varables estmator) Schätzer, wenn mehr endogene erklärende Varablen als Instrumente vorlegen. De Nullhypothese H 0 : β c wrd be 1500 Frehetsgraden am 5 Prozentnveau verworfen, wenn als Teststatstk der t-wert klener als 1,645 st. 4
6 Wenn alle erklärenden Varablen x strkt exogen snd, st der wthn Schätzer konsstent. Jede Varable z kann als Instrumentvarable genutzt werden, wenn Se mt dem Störterm des Regressonsmodells unkorrelert st. De statstsche Sgnfkanz enes Stegungsparameters lässt sch mttels enes F-Tests testen. Der Durbn-Watson Test verallgemenert den Whte Test. Um k Parameter zu dentfzeren, benötgt man mndestens k Momentenbedngungen. Der random effects Schätzer kann de between und fxed effects Schätzer an Effzenz übertreffen. Be movng average Störtermprozessen kann de Korrelaton zwschen länger ausenanderlegenden Störtermen Null betragen. Der Goldfeld-Quandt Test st en F-Test auf de Glechhet der Varanz zweer Telstchproben. Wenn glt E{x 2 ε } = 0, sagen wr, dass x 2 ene endogene erklärende Varable st. Um de Unverzerrthet des Klenstquadrateschätzers zu bewesen, braucht man stärkere Annahmen, als zum Nachwes sener Konsstenz. Newey-West Standardfehler korrgeren sowohl für Heteroskedaste unbekannten Ursprungs als auch für Autokorrelatonsmuster, de auf H Peroden beschränkt snd. Der F-Test auf gemensame Sgnfkanz ener Gruppe von erklärenden Varablen m Rahmen enes lnearen Modells kann mttels R 2 Werten durchgeführt werden. Whte Standardfehler korrgeren für Autokorrelaton belebger Ordnung. Ohne Kenntns der Kovaranz zwschen den beden Schätzern kann der Hausman Test zur Entschedung zwschen fxed und random effects Schätzung ncht durchgeführt werden. Be Modellen n struktureller Form st es möglch, dass erklärende Varablen mt dem Störterm korrelert snd. Durch das Hnzufügen weterer erklärender Varablen kann der angepasste R 2 Wert ncht snken. Wenn der p-wert größer st als das Sgnfkanznveau enes Tests, wrd de Nullhypothese verworfen. Wenn heteroskedastsche Störterme vorlegen, st der Feasble GLS Schätzer BLUE. F-Tests lassen sch m Rahmen des lnearen Modells n Wald Tests überführen, de χ 2 vertelte Teststatstken erzeugen. Modelle n reduzerter Form enthalten auf der rechten Sete kene endogenen erklärenden Varablen. Je nachdem, ob de Schätzung mt oder ohne Konstante durchgeführt wrd, sprcht man be Paneldaten von fxed oder random effects Schätzungen. Mthlfe des Akake Informaton Crteron (AIC) und des Schwarz Bayesan Informaton Crteron (BIC) wrd auf Strukturbruch n den Daten getestet. Multkollneartätsprobleme können durch Vergrößerung der Stchprobe reduzert werden. Wurden Stegungsparameter mt dem verallgemenerte Klenstquadrateschätzer geschätzt, so st der F Test ncht anwendbar. Ist ene erklärende Varable mt Messfehler gemessen, so beschrebt der KQ Schätzer hres Stegungsparameters m lnearen Modell konsstent den Effekt der gemessenen Varable. 5
7 De Vertelungsfunkton der Stegungsparameter des lnearen Modells n klenen Stchproben kann nur dann präzse beschreben werden, wenn de Vertelung des Störterms feststeht. Gbt es verschedene Modelle, de ene abhängge Varable erklären können, so beschrebt der encompassng Test, ob en Modell den Erklärungsbetrag des anderen mt enthält. De Annahme E{ε X} = 0 lässt zu, dass de Varanz des ε von X abhängt. Der nchtlneare Klenstquadrateschätzer bestmmt dejengen Parameter, de de quadrerte Summe der Störterme mnmeren Auch be exakter Multkollneartät kann der Klenstquadrateschätzer unverzerrt geschätzt werden. Heteroskedastsche Störterme blden de Schocks vergangener Peroden ab. Ist ene erklärende Varable mt Messfehler gemessen, so snd de KQ Schätzer des Stegungsparameters des lnearen Modells und de der Regressonskonstante nkonsstent. En Parameterschätzer st effzent, wenn er gegen senen wahren Wert konvergert. Das Auslassen ener relevanten erklärenden Varablen führt zu überhöhten Standardfehlern. Der Chow-Test überprüft mttels ener F Teststatstk, ob vorhergesagte Werte der abhänggen Varable den Erklärungsgehalt des Modells erhöhen. Der verallgemenerte Klenstquadrate Schätzer wendet den KQ Schätzer auf transformerte Varablen an. En Vorhersagentervall für en y 0 kann bestmmt werden, ohne den Parameterschätzer für de Regressonskonstante zu kennen. Enthält das lneare Regressonsmodell ene verzögerte endogene Varable (y t-1 ), dann sollte für den Test auf Autokorrelaton erster Ordnung des Störterms der Durbn-Watson Test verwendet werden. In der Paneldatenanalyse wrd standardmäßg unterstellt, dass sch de Stegungsparameter über de Zet ändern. Ist de abhängge Varable lognormal vertelt und n logarthmerter Form geschätzt, so kann hr ncht-logarthmerter Wert nur unter Berückschtgung der Varanz des Störterms vorhergesagt werden. Be Autokorrelaton erster Ordnung glt das Gauss Markov Theorem ncht mehr. De optmale Gewchtungsmatrx des GMM Modells W entsprcht der Varanz-Kovaranzmatrx der Koeffzenten. Auch be verzerrten Koeffzenten führt der Klenstquadrateschätzer zu unverzerrten Vorhersagen. De Annahme V{ε} = σ 2 I glt unter Autokorrelaton, aber ncht unter Heteroskedaste. Unabhängg von den Egenschaften des Störterms ener lnearen Regressonsglechung führt de Berückschtgung von verzögerten endogenen Varablen (y t-1 ) zur Inkonsstenz der geschätzten Stegungsparameter. 6
8 Aufgabe 7: [15 Punkte] Wahr oder falsch? Begründen Se Ihre Auffassung (Bsp.: "Stmmt, wel..." bzw. "Stmmt ncht, wel..."). Nur be korrekter Begründung erhält jede rchtge Antwort 1.5 Punkte; Angaben ohne Begründung werden ncht gewertet. Der verallgemenerte Klenstquadrateschätzer kann als gewchteter KQ Schätzer nterpretert werden. Es st ncht möglch, m Rahmen enes lnearen Regressonsmodells Elastztäten zu schätzen. De Wahrschenlchket enes Typ I Fehlers st umso höher, je höher das Sgnfkanznveau α enes Tests. Am Sgnfkanznveau von 5 Prozent wesen en- und zwesetge Tests ener Hypothese den glechen krtschen Wert der Teststatstk aus. De Unverzerrthet des Klenstquadrateschätzers lässt sch ncht nachwesen, wenn E{X'ε}= 0. Ob "schwache Instrumente" vorlegen, lässt sch durch ene Hlfsregresson überprüfen. Der PE Test testet n zwe Stufen, ob das lneare oder loglneare Modell angemessen st. Alle Fragestellungen der Paneldatenanalyse können auch mt Querschnttsdaten beantwortet werden. Identsch und unabhängg vertelte Störterme können heteroskedastsch sen. Das GMM Verfahren nutzt Annahmen an de Vertelungsfunkton der abhänggen Varable. 7
Ihnen liegen Beobachtungen aus dem Current Population Survey aus dem Jahr 1988 vor. Unter anderem sind folgende Variablen enthalten:
Aufgabe 1: [25 Punkte] Ihnen legen 28155 Beobachtungen aus dem Current Populaton Survey aus dem Jahr 1988 vor. Unter anderem snd folgende Varablen enthalten: wage exper educ nonwhte male Lohn n US-Dollar,
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Diplomprüfung Ökonometrie im WS 07/08
Lehrstuhl für Statstk und emp. rtschaftsforschung, Prof. Regna T. Rphahn, Ph.D. Musterlösung zur Dplomprüfung Ökonometre m S 07/08 Aufgabe : [3.5 Punkte] Se nteresseren sch für de Determnanten der Anzahl
MehrDiplomprüfung im Fach Ökonometrie im WS 06/07 - Aufgabenteil
Lehrstuhl für Statstk und emprsche Wrtschaftsforschung Prof. Regna T. Rphahn, Ph.D. Dplomprüfung m Fach Ökonometre m WS 06/07 - Aufgabentel Name, Vorname Matrkelnr. Studengang Semester Datum Raum, Stzplatz-Nr.
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Diplomprüfung Ökonometrie im WS 08/09
Aufgabe : [5 Punkte] Ihnen legen 855 Beobachtungen aus dem Current Populaton Survey aus dem Jahr 988 vor. Unter anderem snd folgende Varablen enthalten: wage Lohn n US-Dollar, exper Berufserfahrung n Jahren,
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
MehrBachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D.
Lehrstuhl für Statstk und emprsche Wrtschaftsforschung, SS 9 Fach: Prüfer: Bachelorprüfung Praxs der emprschen Wrtschaftsforschung Prof. Regna T. Rphahn, Ph.D. Name, Vorname Matrkelnr. E-Mal Studengang
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
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
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
MehrMasterprüfung SS 2017
Lehrstuhl für Statstk und emprsche Wrtschaftsforschung Prof. Regna T. Rphahn, Ph.D. Masterprüfung SS 07 Fach: Ökonometre Prüfer: Prof. Regna T. Rphahn, Ph.D. Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
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...
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
MehrEmpirische Wirtschaftsforschung
Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung
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
MehrP[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. Regina T. Riphahn, Ph.D. Musterlösung zur Diplomprüfung Ökonometrie im WS 06/07
Lehrstuhl für Statstk und emp. rtschaftsforschung, Prof. Regna T. Rphahn, Ph.D. Musterlösung zur Dplomprüfung Ökonometre m S 06/07 Aufgabe 1: [3 Punkte] Se nteresseren sch für ohnungslosgket und hre Determnanten.
MehrMasterprüfung SS 2016
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:
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
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 + + +
MehrKurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit
BINARY CHOICE MODELS 1 mt Pr( Y = 1) = P Y = 0 mt Pr( Y = 0) = 1 P Bespele: Wahlentschedung Kauf langlebger Konsumgüter Arbetslosgket Schätzung mt OLS? Y = X β + ε Probleme: Nonsense Predctons ( < 0, >
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
MehrÖkonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte
Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen
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
Mehr1.1 Beispiele zur linearen Regression
1.1. BEISPIELE ZUR LINEAREN REGRESSION 0 REGRESSION 1: Multple neare Regresson 1 Enführung n de statstsche Regressonsrechnung 1.1 Bespele zur lnearen Regresson b Bespel Sprengungen. Erschütterung Funkton
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
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
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
Mehr5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
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:
MehrSind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)
LÖSUNG KLAUSUR STATISTIK I Berufsbegletender Studengang Betrebswrtschaftslehre Sommersemester 016 Aufgabentel I: Theore (10 Punkte) Snd de nachfolgenden Aussagen rchtg oder falsch? (1 Punkt pro korrekter
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
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
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
MehrLineare Regression Teil des Weiterbildungskurses in angewandter Statistik
0 Lneare Regresson Tel des Weterbldungskurses n angewandter Statstk der ETH Zürch Folen Werner Stahel, September 2017 1.1 Bespele zur lnearen Regresson 1 1 Enführung n de statstsche Regressonsrechnung
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
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
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 )
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
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
MehrÜbungsblatt 8: Spezifikations- und andere Fragen rund um das lineare Regressionsmodell
Prof. Bernd Ftzenberger, Ph.D. Ute Leuschner Anthony Strttmatter Übung zur Veranstaltung Emprsche Wrtschaftsforschung Albert-Ludwgs-Unverstät Freburg Wntersemester 2009/10 Übungsblatt 8: Spezfkatons- und
Mehr3 Multiple lineare Regression
3.1 Modell und Statstk 34 3 Multple lneare Regresson 3.1 Modell und Statstk a Zusammenhang zwschen ener Zelgrösse Y und mehreren Engangsgrössen X (1), X (2),..., X (m) Y = β 0 + β 1 x (1) + β 2 x (2) Parameter:
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
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
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
MehrStatistik Exponentialfunktion
! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:
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.
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multvarate Statstk für Psychologen 3. Vorlesung: 14.04.2003 Agenda 1. Organsatorsches 2. Enfache Regresson. Grundlagen.. Grunddee und Zele der enfachen Regresson Bespele Statstsches Modell Modell
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):
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 ( =
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
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
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
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.
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
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
MehrRückblick Regression II: Anpassung an Polynome
Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten
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
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
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
MehrKapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104
Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n
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.
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
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
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
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
MehrLösungen der Aufgaben zu Kapitel 2
Lösungen der Aufgaben zu Kaptel Abschntt 1 Aufgabe 1 Wr benutzen de Potenzrechenregeln, um ene Potenz von mt geradem Eponenten n oder mt ungeradem Eponenten n + 1 we folgt darzustellen: n n und n+1 n n
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,...,
MehrDiplomprüfung im Fach Ökonometrie im SS Aufgabenteil
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Diplomprüfung im Fach Ökonometrie im SS 2009 - Aufgabenteil Name, Vorname Matrikelnr. Studiengang Semester Datum
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
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
Mehr14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.
14 Schätzmethoden Egenschaften von Schätzungen ˆθ Se ˆθ n ene Schätzung enes Parameters θ, de auf n Beobachtungen beruht. ˆθn n θ Konsstenz (Mnmalforderung) Eˆθ n = θ Erwartungstreue Eˆθ n n θ Asymptotsche
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
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)
Mehr2.1 Einfache lineare Regression 31
.1 Enfache lneare Regresson 31 Regressonsanalyse De Regressonsanalyse gehört zu den am häufgsten engesetzten multvaraten statstschen Auswertungsverfahren. Besonders de multple Regressonsanalyse hat große
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.
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
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,
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
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
MehrMasterprüfung. Die Klausur besteht aus 3 Aufgaben, die alle bearbeitet werden müssen.
Fach: Prüfer: Mikroökonometrie Prof. Regina T. Riphahn, Ph.D. Masterprüfung Vorbemerkungen: Bearbeitungszeit: 60 Minuten. Anzahl der Aufgaben: Bewertung: Erlaubte Hilfsmittel: Wichtige Hinweise: Die Klausur
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
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
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
MehrSei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
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
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
MehrWie lassen sich Zufallsvariablen und ihre Verteilungen beschreiben?
Kaptel : Enführung. Technsche Vorbemerkungen. Inhaltlche Glederung und Zele der Veranstaltung.3 Ökonometre: Was, wozu und we?.4 Illustraton Anhang A B C Wederholung: Lneare Algebra Wederholung: Statstk
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
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
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
MehrErwartungswert, Varianz, Standardabweichung
RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend
MehrÖkometrie I 10 Korrelation - Regression
Ökometre I 10 Korrelaton - Regresson Ka Uwe Totsche LS Hydrogeologe Fredrch-Schller-Unverstät Jena Prof. Dr. Ka Uwe Totsche Ökometre I Korrelaton - Regresson 10-1 Zele und Lernnhalte Zel deser Enhet Zwedmensonale
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
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
Mehr5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013
O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 2. Übung (05.02.2009) Agenda Agenda Datenbsp. scalefactors.dat Berechnen der Varanzen der Latent Response Varablen Berechnen der modellmplzerten
Mehr