Ein Modell für den Weltmarkt von Kupfer
|
|
- Dennis Hertz
- vor 5 Jahren
- Abrufe
Transkript
1 Draft 1 Ein Modell für den Weltmarkt von Kupfer siehe Estimating and Forecasting Industry Demand for Price-Taking Firms, aus: Thomas, Maurice: Managerial Economics, 9/e Daten: EViews: wfopen R: library(foreign) copper <- read.dta( ) Stata: use Modell in Strukturform Nachfrage: Q = β 1 +β 2 P +β 3 M +β 4 P A +ε d Angebot: Q = α 1 +α 2 P +α 3 T +α 4 X +ε s Q = weltweiter Konsum von Kupfer P = realer Preis von Kupfer M = Index für reales pro Kopf Einkommen P A = realer Preis von Aluminium (Substitut) X = Verhältnis von Konsum zur Produktion in der Vorperiode T = Trend als Proxy für techn. Fortschritt Reduzierte Form Lösung nach den endogenen Variablen Q und P bzw. mit P = Q = 1 ( β1 α 1 +β 3 M +β 4 P A α 3 X α 4 T +ε d ε s) 1 [ α2 (β 1 +β 3 M +β 4 P A +ε d ) β 2 (α 1 +α 3 X +α 4 T +ε s ) ] P = δ 1 +δ 2 M +δ 3 P A +δ 4 T +δ 5 X + εd ε s Q = π 1 +π 2 M +π 3 P A +π 4 T +π 5 X + α 2ε d β 2 ε s δ 1 = β 1 α 1, δ 2 = β 3, δ 3 = β 4, usw. Die reduzierte Form zeigt, dass sowohl in Nachfrage- als auch Angebotsfunktion die erklärende Variable mit dem Störterm korreliert ist, eine Schätzung der Strukturgleichung führt also zu einem Endogenitätsbias!
2 Draft 2 Hingegen kann die reduzierte Form ganz normal mit OLS geschätzt werden, da alle Regressoren bei Definition exogen sind. Allerdings liefert die Schätzung der reduzierten Form nicht unmittelbar die häufig interessierenden Koeffizienten der Strukturform. 1 Identifikation Endogene Variablen: Q, P (2) Exogene Variablen: M, P A, X, T (4) Abzählkriterium: wenn g 1 > K k ist die Gleichung unteridentifiziert, wenn g 1 = K k ist die Gleichung genau identifiziert, wenn g 1 < K k ist die Gleichung überidentifiziert. mit g: die Anzahl der endogenen Variablen in der betreffenden Gleichung k: die Anzahl der prädeterminierten Variablen in der Gleichung K: die Anzahl der prädeterminierten Variablen im System (incl. Interzept!) Nachfrage: Q = β 1 +β 2 P +β 3 M +β 4 P A +ε d g = 2, K = 4, k = 2 g 1 = 1 < K k = 4 2 überidentifiziert! Angebot: Q = α 1 +α 2 P +α 3 T +α 4 X +ε s g = 2, K = 4, k = 2 g 1 = 1 < K k = 4 2 überidentifiziert! Beide Gleichungen sind mittel 2SLS konsistent schätzbar. 1 Im Fall exakt identifizierter Modelle können allerdings aus den Koeffizienten der reduzierten Form durch Lösung der Gleichungen die Koeffizienten der Strukturform zurückgerechnet werden; dieses Verfahren wird Indirect Least Squares (ILS) genannt. Da aber im Fall exakt identifizierter Modelle die 2SLS Methode zu den exakt gleichen Koeffizienten führt wird diese Methode nur selten angewandt.
3 Draft 3 Hausman Test auf Endogenität Die Theorie lässt erwarten, dass es sich um ein simultanes Gleichungssystem handelt. Mit Hilfe des Hausman Tests kann dies auch getestet werden: 1. Reduzierte Form für P: P = ˆδ 1 + ˆδ 2 M + ˆδ 3 P A + ˆδ 4 T + ˆδ 5 X + ˆε d Dependent Variable: P Method: Least Squares Included observations: 25 Variable Coefficient Std. Error t-statistic Prob. Const M PA T X R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion F-statistic Prob(F-statistic) Daraus werden die Residuen RES1 berechnet. 2. Diese Residuen RES1 werden als zusätzlicher Regressor in der Schätzung der Strukturform der Nachfragefunktion verwendet Dependent Variable: Q Method: Least Squares Included observations: 25 Variable Coefficient Std. Error t-statistic Prob. C P M PA RES R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion F-statistic Prob(F-statistic) Der Koeffizient von RES1 ist hochsignifikant von Null verschieden, dies lässt auf Endogenität schließen (die Nullhypothese, dass der Regressor exogen ist, kann verworfen werden). Für die Angebotsfunktion kann die Nullhypothese der Exogenität übrigens nicht verworfen werden (der p-wert des entsprechenden Koeffizienten ist 0.894).
4 Draft 4 2SLS Schätzung Instrumentvariablen müssen zwei Bedingungen erfüllen: 1. Die Instrumentvariable sollte möglichst hoch mit dem potentiell endogenen Regressor korreliert sein; und 2. die Instrumentvariable muss mit dem Störterm der Strukturgleichung unkorreliert sein. Die erste Bedingung kann durch die Schätzung der ersten Stufe überprüft werden die F-total-Statistik der ersten Stufe sollte größer Null sein! Wir haben die erste Stufe schon vorhin berechnet, um die Residuen RES1 zu berechnen. Die F-total-Statistik dieser Schätzung hat den Wert , dies sieht also nicht so schlecht aus. Die zweite Bedingung cov(z, ε) = 0 kann nur in überidentifizierten Modellen getestet werden, das machen wir etwas später. 2SLS-Schätzung der Nachfrage: Instrumente T, X Befehle: Dependent Variable: Q Method: Two-Stage Least Squares Included observations: 25 after adjustments Instrument specification: Const M PA X T Variable Coefficient Std. Error t-statistic Prob. Const P M PA R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Sum squared resid F-statistic Durbin-Watson stat Prob(F-statistic) Second-Stage SSR J-statistic Instrument rank 5 Prob(J-statistic) EViews: tsls, alle exogenen Regressoren und Instrumente werden mit getrennt angefügt equation eqs.tsls Q C P T C M PA X T R: ivreg des Pakets AER (muss vorher geladen werden), sämtliche exogenen Regressoren und Instrumente werden mit einem getrennt angefügt library(aer) dem <- ivreg(q ~ p + m + pa m + pa + x + t,data=copper)
5 Draft 5 Stata: ivregress 2sls q m pa (p=x t), small Zum Vergleich, der Stata-Output einer 2SLS Schätzung der Angebotsfunktion sieht folgendermaßen aus:. ivregress 2sls q x t (p=m pa),small Instrumental variables (2SLS) regression Source SS df MS Number of obs = F( 3, 21) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = q Coef. Std. Err. t P> t [95% Conf. Interval] p x t _cons Instrumented: pc Instruments: x t m pa bzw. mit R Call: ivreg(formula = q ~ p + x + t m + pa + x + t, data = copper) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) p x t e-12 *** --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 21 degrees of freedom Multiple R-Squared: ,Adjusted R-squared: Wald test: on 3 and 21 DF, p-value: 1.886e-15 Offensichtlich ist nur der Zeittrend signifikant von Null verschieden, es handelt sich also um keine besonders vertrauenswürdige Schätzung.
6 Draft 6 Test auf Überidentifizierende Restriktionen Ob die Instrumente tatsächlich exogen sind, d.h. nicht mit der Störterm der Strukturgleichung korreliert sind, kann nur in überidentifizierten Modellen getestet werden. Die Anzahl der überidentifizierenden Restriktionen ist die Anzahl der Instrumentvariablen abzüglich der potentiell endogenen Regressoren (in diesem Beispiel haben wir sowohl für Angebots- als auch Nachfragefunktion je zwei Instrumentvariablen und je einen endogenen Regressor, d.h. die Anzahl der überidentifizierenden Restriktionen ist in beiden Fällen Eins). Wir haben vorhin gesehen, dass sowohl Nachfrage- als auch Angebotsfunktion überidentifiziert sind, ein Test auf overidentifying restrictions ist also möglich. Falls die Instrumentvariablen nicht exogen sind, ist der 2SLS- (bzw. IV-) Schätzer nicht konsistent. Falls die Nullhypothese exogener Instrumente verworfen werden muss gibt dieser Test allerdings keinen Hinweis darauf, welches der Instrumente endogen ist, bzw. ob nur einige oder alle der Instrumente endogen sind. Eine einfache Form dieses Tests kann mittels einer Hilfsregression durchgeführt werden: 1. Zuerst wird die interessierende Strukturgleichung mittels 2SLS geschätzt und daraus die 2SLS Residuen berechnet, z.b. RES2. 2. Diese Residuen RES2 werden mittels OLS auf alle exogenen Regressoren und Instrumentvariablen regressiert, aus dieser Hilfsregression wird nr 2 (Anzahl der Beobachtungen mal Bestimmtheitsmaß) berechnet. 3. Unter der Nullhypothese, dass alle Instrumentvariablen exogen (d.h. unkorrelliert mit dem Störterm der Strukturgleichung) sind ist nr 2 a χ 2 q, wobei q die Anzahl der überidentifizierenden Restriktionen ist. Falls nr 2 größer als der kritische Wert der χ 2 q-verteilung ist verwerfen wir die Nullhypothese und schließen, dass zumindest einige der Instrumente nicht exogen sind. EViews: equation eqd.tsls q c p m m pa x t eqd.makeresids res2sls equation eqoir_d.ls res2sls c m pa x t scalar oir_d_stat = eqoir_d.@regobs*eqoir_d.@r2 scalar oir_d_pval = 1-@cchisq(oir_d_Stat,1) Die von EViews ausgegebene J-statistic ist ein alternativer Test auf überidentifizierende Restriktionen. R: res2 <- residuals(ivreg(q ~ p + m + pa m+pa+x+t,data=copper)) copper$res2sls <- c(na,res2) eqoir.d <- lm(res2sls ~ m + pa + x + t, data=copper) oir.d.stat <- nobs(eqoir.d) * summary(eqoir.d)$r.squared oir.d.pval <- 1-pchisq(oir.d.stat,1)
7 Draft 7 Stata: ivregress 2sls q m pa (p=x t),small predict res2sls, residuals reg res2sls m pa x t dis "Chi2-Stat. Nachfrage: " e(n)*e(r2) dis "p-wert Nachfrage: " chi2tail(1,e(n)*e(r2)) In Stata können mit Hilfe der postestimation-befehle estat endogenous und estat overid entsprechende Tests auch einfacher durchgeführt werden. Für die Nachfragegleichung erhält man einen Wert der nr 2 Teststattistik von mit einem p-wert = (der kritische Wert der χ 2 -Verteilung mit q = 1 für α = 0.05 ist ), die Nullhypothese exogener Instrumente wird also nicht verworfen. Für die Angebotsfunktion ist der Wert der Teststatistik auf überidentifizierende Restriktionen nr 2 = mit einem p-wert =.00209, wir können also in diesem Fall nicht davon ausgehen, dass beide Instrumente der Angebotsfunktion exogen sind. Dieser Test gibt allerdings keinen Hinweis darauf, ob beide Instrumente schlecht sind oder ob nur ein Instrument endogen ist. Jedenfalls sollte man der 2SLS Schätzung der Angebotsfunktion kein großes Vertrauen schenken! Eine 2SLS-Schätzung der inversen Angebotsfunktion lässt vermuten, dass das Angebot sehr elastisch reagiert, da der Koeffizient sehr klein ist. P = Q X T (33.122) (0.005) (35.034) (1.233) R 2 = 0.472, s = 5.367, F-Stat = 6.138, DW = 0.823, n = 25 (Standardfehler in Klammern) Auch hier ist keiner der Koeffizienten signifikant von Null verschieden. Wie wir später sehen werden lässt der niedrige Wert der Durbin-Watson Statistik (DW) tiefere Probleme vermuten. Prognose Obwohl wir gesehen haben, dass der Schätzung der Angebotsfunktion besser nicht vertraut werden sollte, werden wir als illustratives Beispiel diese 2SLS Schätzungen der Nachfrage- und Angebotsfunktion nützen, um eine Prognose für das Jahr 1980 zu erstellen. Dies ließe sich in EViews mit Hilfe von model-objekten sehr einfach und elegant bewerkstelligen, wir werden hier allerdings den etwas ausführlicheren Weg einschlagen und die Prognose mit den herkömmlichen Methoden erstellen, die auch in R und Stata verfügbar sind. Da die Werte der exogenen Variablen m, pa und x für das Prognosejahr 1980 nicht bekannt sind, müssen diese zuerst prognostiziert werden. Dies geschieht üblicherweise mit Hilfe von Zeitreihenmethoden, wir werden uns hier allerdings auf eine einfache Trendextrapolation beschränken. Im Jahr 1980 hat die Trendvariable t den Wert 30. EViews:
8 Draft 8 Prognose ls m c t scalar m30 = c(1) + c(2)*30 ls pa c t scalar pa30 = c(1) + c(2)*30 ls x c t scalar x30 = c(1) + c(2)*30 equation eqd.tsls QC c PC M M PA X T Interzept Nachfragefunktion scalar b1 = eqd.@coefs(1) + eqd.@coefs(3)*m30 + eqd.@coefs(4)*pa30 Steigung Nachfragefunktion scalar b2 = eqd.@coefs(2) equation eqs.tsls QC c PC X M PA X T Interzept Angebotsfunktion scalar a1 = eqs.@coefs(1) + eqs.@coefs(3)*x30 + eqs.@coefs(4)*30 Steigung Angebotsfunktion scalar a2 = eqs.@coefs(2) scalar p30 = (b1-a1)/(a2-b2) scalar q30 = a1 + a2*p30 Kontrolle scalar q30b = b1 + b2*p30 Stata: reg m t scalar m30 = _b[_cons] + _b[t]*30 reg pa t scalar pa30 = _b[_cons] + _b[t]*30 reg x t scalar x30 = _b[_cons] + _b[t]*30 ivregress 2sls q m pa (p=x t),small * Interzept Nachfragefunktion scalar b1 = _b[_cons] + _b[m]*m30 + _b[pa]*pa30 * Steigung Nachfragefunktion scalar b2 = _b[p] ivregress 2sls q x t (p=m pa),small * Interzept Angebotsfunktion scalar a1 = _b[_cons] + _b[x]*x30 + _b[t]*30 * Steigung Angebotsfunktion scalar a2 = _b[p] scalar p30 = (b1-a1)/(a2-b2) scalar q30 = a1 + a2*p30
9 Draft 9 * Kontrolle scalar q30b = b1 + b2*p30 dis "Preis 1980: " p30 dis "Menge 1980: " q30 dis "Kontrolle: " q30b Als Ergebnis erhält man einen prognostizierten Preis für 1980 von p30 = und eine prognostizierte Menge von q30 = Die prognostizierte Nachfrageelastizität für das Jahr 1980 ist , die Einkommenselastizität für 1980 ist und die geschätzte Substitutionselastizität ist (Kupfer und Aluminium sind nach dieser Schätzung also wirklich Substitute). Wie erwähnt sollte in diesem Fall die Prognose nicht allzu ernst genommen werden, da insbesondere die Angebotsfunktion nicht den üblichen Anforderungen entspricht. Der Fulton-Fischmarkt Graddy, Kathryn(2006), The Fulton Fish Market, Journal of Economic Perspectives, Volume 20, Number 2, Pages Daten: Nachfrage: Q = β 1 +β 2 P +β 3 Day1+β 4 Day2+β 5 Day3+β 6 Day4+ε d Angebot: Q = α 1 +α 2 P +α 3 Cold+α 4 Rainy+α 5 Stormy+α 6 Windspd+α 7 Mixed+ε s mit Q: log der umgesetzten Menge von Weißfisch ( whiting ) P: log des Preises von von Weißfisch Day1: Montag Day2: Dienstag Day3: Mittwoch Day4: Donnerstag Cold: Temperatur an der Küste Rainy: Wetter an der Küste Stormy: Wetterbedingungen auf der See Mixed: s.o. Windspd: Windgeschwindigkeit Endogen: Q, P Exogen: alle anderen Variablen
1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrX =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
MehrTeekonsum in den USA (in 1000 Tonnen), Nimmt den Wert 1 an für alle Perioden, Durchschnittlicher Preis des Tees in Periode t (in Tausend $/Tonne).
Aufgabe 1 (5 Punkte) Gegeben sei ein lineares Regressionsmodell in der Form. Dabei ist y t = x t1 β 1 + x t β + e t, t = 1,..., 10 (1) y t : x t1 : x t : Teekonsum in den USA (in 1000 Tonnen), Nimmt den
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrKapitel 10. Multikollinearität. Exakte Multikollinearität Beinahe Multikollinearität
Kapitel 0 Multikollinearität Exakte Multikollinearität Beinahe Multikollinearität Exakte Multikollinearität Unser Modell lautet y = Xb + u, Dimension von X: n x k Annahme : rg(x) = k Wenn sich eine oder
Mehr6.4 Kointegration Definition
6.4 Kointegration 6.4.1 Definition Nach Engle und Granger (1987): Wenn zwei oder mehrere Variablen I(1) sind, eine Linearkombination davon jedoch I() ist, dann sind die Variablen kointegriert. Allgemein:
Mehr1 Gliederung Zeitreihenökonometrie. Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09. Dr. Sylvia Kaufmann.
Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09 Dr Sylvia Kaufmann Februar 2009 Angewandte Ökonometrie, Sylvia Kaufmann, FS09 1 1 Gliederung Zeitreihenökonometrie Einführung
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung VII/ VIII. Makroökonometrische Modellierung nach der Vereinigung
Dipl. Vw. Matthias Kirbach Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT CURANDO DOCENDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung IX. Dynamische Modelle
Dipl. Vw. Matthias Kirbach Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrDas lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Das ökonomische
MehrV. Das lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Tino Conrad, M.Sc. Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2016 Übung zur
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
Mehr5 Multivariate stationäre Modelle
5 Multivariate stationäre Modelle 5.1 Autoregressive distributed lag (ADL) 5.1.1 Das Modell und dessen Schätzung Im vorangehenden Kapitel führten wir mit der endogenen verzögerten Variablen, y t 1, als
MehrHeteroskedastie. Test auf Heteroskedastie. Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist.
Heteroskedastie Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist. Beispiele: Bei Zeitreihendaten : Ansteigen der Varianz über die Zeit, Anstieg der Varianz mit
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrBeispiele für Prüfungsfragen Ökonometrie I und II
Beispiele für Prüfungsfragen Ökonometrie I und II Von den sieben Beispielen von Prüfungsfragen wären in einer konkreten einstündigen Prüfung etwa deren zwei zu beantworten. Aufgaben 3, 4, 6 und 7 beziehen
Mehr11. Simultane Gleichungssysteme
11. Simultane Gleichungssysteme Bisher: Schätzung und Inferenz einzelner Gleichungen Jetzt: Modellierung und Schätzung von Gleichungssystemen 329 Beispiel: [I] Untersuchung des Einflusses von Werbemaßnahmen
MehrEmpirical Banking and Finance
Empirical Banking and Finance Vorlesung zur Volkswirtschaftspolitik Prof. Dr. Isabel Schnabel Lehrstuhl für Volkswirtschaftslehre, insb. Financial Economics Johannes Gutenberg-Universität Mainz Wintersemester
MehrAllgemein zu Hypothesentests: Teststatistik. OLS-Inferenz (Small Sample) Allgemein zu Hypothesentests
OLS-Inferenz (Small Sample) K.H. Schild 3. Mai 017 Allgemein zu Hypothesentests: Teststatistik Konstruktion eines Hypothesentests erfolgt meistens über eine Teststatistik Eine Teststatistik T ist eine
MehrDas Identifikationsproblem
Draft 1 Das Identifikationsproblem Simultane Strukturmodelle sind insbesondere in den Sozialwissenschaften wichtig, da dort Zusammenhänge sehr häufig interdependenter Natur sind. Dies wirft einige schwerwiegende
MehrKlausur zur Veranstaltung Empirische Wirtschaftspolitik
Seite 1 von 11 Prof. Frank Westermann, Ph.D. Fachgebiet Internationale Wirtschaftspolitik Rolandstraße 8, 49069 Osnabrück Klausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2016/2017
MehrProbeklausur EW II. Für jede der folgenden Antworten können je 2 Punkte erzielt werden!
Probeklausur EW II Bitte schreiben Sie Ihre Antworten in die Antwortfelder bzw. markieren Sie die zutreffenden Antworten deutlich in den dafür vorgesehenen Kästchen. Wenn Sie bei einer Aufgabe eine nicht-zutreffende
Mehr2 Anwendungen und Probleme
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor 2 Anwendungen
Mehr6 Nichtstationarität und Kointegration
6 Nichtstationarität und Kointegration 6.1 Kapitelübersicht, Problematik Die Analyse nichtstationärer Zeitreihen wird folgende Gesichtspunkte anschneiden: Definition von Nichtstationarität, von integrierten
Mehr2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme)
2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme) Annahme A1: Im multiplen Regressionsmodell fehlen keine relevanten exogenen Variablen und die benutzten exogenen Variablen x 1,
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
Breusch-Pagan-Test I Ein weiterer Test ist der Breusch-Pagan-Test. Im Gegensatz zum Goldfeld-Quandt-Test ist es nicht erforderlich, eine (einzelne) Quelle der Heteroskedastizität anzugeben bzw. zu vermuten.
MehrProf. Regina T. Riphahn, Ph.D. WS 04/05 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 24. Februar 2005,
Prof. Regina T. Riphahn, Ph.D. WS 4/5 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 24. Februar 25, 9.-1.3 Uhr Erlaubte Hilfsmittel: Tabelle der statistischen Verteilungen, 4 DIN
MehrLean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
MehrKlausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2012/2013
Seite 1 von 10 Prof. Frank Westermann, Ph.D. Fachgebiet Internationale Wirtschaftspolitik Rolandstraße 8, 49069 Osnabrück Klausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2012/2013
Mehr8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme)
8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme) Annahme B4: Die Störgrößen u i sind normalverteilt, d.h. u i N(0, σ 2 ) Beispiel: [I] Neoklassisches Solow-Wachstumsmodell Annahme einer
MehrAuswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
MehrMehrgleichungsmodelle: Schätzverfahren
1 / 26 Mehrgleichungsmodelle: Schätzverfahren Kapitel 21 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 26 Inhalt SUR, seemingly unrelated regressions Systeme von interdependenten Gleichungen
MehrDie Schätzung einer Produktionsfunktion
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
Mehr1. Übung: Einführung in EVIEWS
Goethe-Universität Frankfurt Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Finanzökonometrie Sommersemester 2007 1. Übung: Einführung in EVIEWS Kreieren Sie eine Arbeitsumgebung (workfile)
MehrÜbung zur Empirischen Wirtschaftsforschung. VII. Ökonometrische Testverfahren. 7.1 Geldnachfragefunktion. 7.2 Empirische Ergebnisse: Westdeutschland
Universität Ulm 89069 Ulm Germany Dipl.-WiWi. Christian Peukert Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
MehrÜbung zur Empirischen Wirtschaftsforschung. VII. Ökonometrische Testverfahren. 7.2 Die Geldnachfragefunktion
Universität Ulm 89069 Ulm Germany Dipl.-Kfm. Philipp Buss Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
MehrLösungen zur Prüfung Angewandte Statistische Methoden in den Nutzierwissenschaften FS 2016
ETH Zürich D-USYS Institut für Agrarwissenschaften Lösungen zur Prüfung Angewandte Statistische Methoden in den Nutzierwissenschaften FS 2016 Peter von Rohr Datum 30. Mai 2016 Beginn 08:00 Uhr Ende 08:45
MehrProxies, Endogenität, Instrumentvariablenschätzung
1 4.2 Multivariate lineare Regression: Fehler in den Variablen, Proxies, Endogenität, Instrumentvariablenschätzung Literatur: Wooldridge, Kapitel 15, Appendix C.3 und Kapitel 9.4 Wahrscheinlichkeitslimes
MehrSimultane Mehrgleichungssysteme: Parameterschätzung
Simultane Mehrgleichungssysteme: Parameterschätzung Stichwörter: Eigenschaften des OLS-Schätzers Hilfsvariablenschätzer 2SLS limited information Methoden 3SLS FIML full information Methoden o1-21.tex/0
MehrZeitreihen-Ökonometrie, SS 2017 Lösungen Aufgabenblatt 3
Zeitreihen-Ökonometrie, SS 2017 Lösungen Aufgabenblatt 3 Aufgabe 5: Mit dem folgenden Modell soll untersucht werden, ob die Höhe der Ausgaben für Wahlkampagnen bei den amerikanischen Präsidentschaftswahlen
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrLineare Modelle in R: Klassische lineare Regression
Lineare Modelle in R: Klassische lineare Regression Achim Zeileis 2009-02-20 1 Das Modell Das klassische lineare Regressionsmodell versucht den Zusammenhang zwischen einer abhängigen Variablen (oder Responsevariablen)
MehrLösung - Übungsblatt 10
Lösung - Übungsblatt 10 Aufgabe 2: Siehe Outputfile Aufgabe 2 a) Regressionsgleichung - Equation 1: price = β 1 + β 2 lotsize + β 3 sqrft + β 4 bdrms + u i Fit: price = β 1 + β 2 lotsize + β 3 sqrft +
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie WS 2014/15. ( = 57 Punkte)
Aufgabe 3 (6 + 4 + 8 + 4 + 10 + 4 + 9 + 4 + 8 = 57 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe eines multiplen linearen Regressionsmodells soll auf
MehrIII. Prognosen - Teil 1
Universität Ulm 89069 Ulm Germany B.Sc. Andreas Indlekofer Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2017 Übung
MehrAnalyse Multikollinearität am Beispiel einer Importfunktion für die Schweiz
2. Multikollinearität Ökonometrie II - Peter Stalder Analyse Multikollinearität am Beispiel einer Importfunktion für die Schweiz Die Güterimporte der Schweiz sollen mit der privaten Konsumnachfrage, den
Mehr3. Dynamische lineare Panelmodelle
3. Dynamische lineare Panelmodelle 3.1 Ansatz und Problemstellung Die wesentliche Annahme bei fixed effects und random effects Schätzungen in linearen Panelmodellen ist, dass die erklärenden Variablen
MehrFRAGESTUNDE WS 2016/17 QM 2. Dr. Christian Schwarz 1
FRAGESTUNDE Dr. Christian Schwarz 1 #2 - Allgemein Q: Müssen wir den Standard Error händisch berechnen können? R: Nein. Q: Hat das Monte Carlo Experiment irgendeine Bedeutung für uns im Hinblick auf die
MehrKonfidenz-, Prognoseintervalle und Hypothesentests IV im multiplen linearen Regressionsmodell mit heteroskedastischen Störgrößen
4 Multiple lineare Regression Heteroskedastische Störgrößen 4.10 Konfidenz-, Prognoseintervalle und Hypothesentests IV im multiplen linearen Regressionsmodell mit heteroskedastischen Störgrößen Ein approximatives
MehrAufgabe 35 mit R (Ökonometrie SS 2014 an der UdS)
Vorbereitungen Aufgabe 35 mit R (Ökonometrie SS 2014 an der UdS) Falls das R - Paket car noch nicht installiert wurde, kann dies mit der Funktion install.packages() erledigt werden. install.packages("car")
MehrVI. Die Taylor Regel
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Klaus Gründler Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 3.6 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula
MehrIII. Prognosen - Teil 1
Universität Ulm 89069 Ulm Germany Dipl.-Kfm. Philipp Buss B.A. Alexander Rieber Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
MehrProf. Dr. Marc Gürtler WS 2015/2016. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft
Prof. Dr. Marc Gürtler WS 015/016 Prof. Dr. Marc Gürtler Klausur zur 10/1 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft Lösungsskizze Prof. Dr. Marc Gürtler WS 015/016 Aufgabe 1: (11+5+1+8=56
MehrStatistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
Mehr1. Lösungen zu Kapitel 7
1. Lösungen zu Kapitel 7 Übungsaufgabe 7.1 Um zu testen ob die Störterme ε i eine konstante Varianz haben, sprich die Homogenitätsannahme erfüllt ist, sind der Breusch-Pagan-Test und der White- Test zwei
MehrInstitut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Ausblick; Darstellung von Ergebnissen; Wiederholung
Institut für Soziologie Dipl.-Soz. Methoden 2 Ausblick; Darstellung von Ergebnissen; Wiederholung Ein (nicht programmierbarer) Taschenrechner kann in der Klausur hilfreich sein. # 2 Programm Ausblick über
MehrLineare Regression in R, Teil 1
Lineare Regression in R, Teil 1 Christian Kleiber Abt. Quantitative Methoden, WWZ, Universität Basel October 6, 2009 1 Vorbereitungen Zur Illustration betrachten wir wieder den Datensatz CASchools aus
MehrKapitel 3. Inferenz bei OLS-Schätzung I (small sample, unter GM1,..., GM6)
8 SMALL SAMPLE INFERENZ DER OLS-SCHÄTZUNG Damit wir die Verteilung von t (und anderen Teststatistiken) exakt angeben können, benötigen wir Verteilungsannahmen über die Störterme; Kapitel 3 Inferenz bei
MehrProf. Dr. Werner Smolny werner.smolny@mathematik.uni-ulm.de Dipl.-Ökonom Ralf Scherfling ralf.scherfling@mathematik.uni-ulm.de Universität Ulm Abteilung Wirtschaftspolitik Seminar zur Empirischen Wirtschaftsforschung
MehrEmpirische Wirtschaftsforschung in R
Empirische Wirtschaftsforschung in R Schätzung der keynesianischen Geldnachfragefunktion auf Basis von Daten der dänischen Volkswirtschaft Jonas Richter-Dumke Universität Rostock, Institut für Volkswirtschaftslehre
MehrKurze Einführung in die Ökonometrie-Software E-Views
Kurze Einführung in die Ökonometrie-Software E-Views Folie 2 Workfile Kurze Einführung in die Ökonometrie-Software E-Views 4. November 2008 Typischerweise liegen die Daten in einem Spreadsheet -Format
MehrFragen zum zweiten Teil der Vorlesung
Albert-Ludwigs-Universität Freiburg Ökonometrie (Bachelor) Lehrstuhl Prof. Fitzenberger, Ph.D. WS 2011/12 Fragen zum zweiten Teil der Vorlesung 1. Es soll geprüt werden, ob das obere Quartil (das 75%-Quantil)
MehrKurs Empirische Wirtschaftsforschung
Kurs Empirische Wirtschaftsforschung 5. Bivariates Regressionsmodell 1 Martin Halla Institut für Volkswirtschaftslehre Johannes Kepler Universität Linz 1 Lehrbuch: Bauer/Fertig/Schmidt (2009), Empirische
Mehr3. Das einfache lineare Regressionsmodell
3. Das einfache lineare Regressionsmodell Ökonometrie: (I) Anwendung statistischer Methoden in der empirischen Forschung in den Wirtschaftswissenschaften Konfrontation ökonomischer Theorien mit Fakten
MehrMultiple Regression III
Multiple Regression III Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Überprüfung der Modellannahmen Residuen-Plot Normal-Q-Q-Plot Cook s Distanz-Plot Maßnahmen bei Abweichungen von Modellannahmen
MehrÜbungsblatt 10: Lineare Regression (Sitzung 11)
1 Übungsblatt 10: Lineare Regression (Sitzung 11) Aufgabe 1 a) Nach welchem Kriterium wird die Regressionsgerade zur Vorhersage von Y-Werten festgelegt? b) Was sind die Gemeinsamkeiten und Unterschiede
MehrDer Ablauf bei der Erstellung empirischer Arbeiten
1 Prof. Dr. Werner Smolny SS 2002 Einführung in die empirische Wirtschaftsforschung Der Ablauf bei der Erstellung empirischer Arbeiten A Die wirtschaftliche Fragestellung und das theoretische Modell 1.
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
MehrAutokorrelation in den Störtermen
Autokorrelation in den Störtermen 21. Juni 2017 Autokorrelation in den Störtermen, S. 2 Auswirkungen von Störterm-Autokorrelation Wo liegen überhaupt die Probleme von OLS, wenn eine Störterm-AK vorliegt?
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
MehrÜbung zur Empirischen Wirtschaftsforschung IX. Einkommensfunktion
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrKlausur: Angewandte Ökonometrie. Termin: , 14:00 16:00. Prüfer: Prof. Dr. Hans-Jörg Schmerer. Datum:
Fakultät für Wirtschaftswissenschaft Lehrstuhl für Volkswirtschaftslehre, insb. Internationale Ökonomie Univ.-Prof. Dr. Hans-Jörg Schmerer Name: Vorname: Matrikel-Nr.: Klausur: 42270 Angewandte Ökonometrie
Mehr4.2 Kointegration Konzept der Kointegration langfristiger (Gleichgewichts-) Beziehungen langfristige Relation (Gleichgewichtsbeziehung) Abweichungen
4.2 Kointegration Konzept der Kointegration: Untersuchung langfristiger (Gleichgewichts-) Beziehungen zwischen mehreren nicht-stationären ökonomischen Variablen Grundidee: Es kann eine stabile langfristige
MehrZeitreihen. Statistik II. Literatur. Zeitreihen-Daten Modelle Probleme Trends und Saisonalität Fehlerstruktur. 1 Wiederholung.
Statistik II 1 Literatur 2 -Daten Trends und Saisonalität Fehlerstruktur 3 Statistik II (1/31) Literatur Zum Nachlesen Wooldridge ch 101 & 102 Statistik II (2/31) Literatur Für nächste Woche Einfache für
Mehr2 Anwendungen und Probleme
Prof. Dr. Werner Smolny Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 05 Tel. 0731 50 24261 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrÜbung VIII Ökonometrische Testverfahren
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrTeil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.
Woche 11: Multiple lineare Regression Patric Müller Teil XIII Multiple lineare Regression ETHZ WBL 17/19, 10.07.017 Wahrscheinlichkeit und Statistik Patric Müller WBL
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung VI/ VII
Dipl. Vw. Matthias Kirbach Sommersemester 2006 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT CURANDO DOCENDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrEinleitung. Statistik. Bsp: Ertrag Weizen. 6.1 Einfache Varianzanalyse
Einleitung Statistik Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Der Begriff Varianzanalyse (analysis of variance, ANOVA) taucht an vielen Stellen in der Statistik mit unterschiedlichen
MehrMusterlösung. Kind Blume (beredet) Blume (nicht beredet)
Prüfung Statistik Sommer 2012 Musterlösung 1. (9 Punkte) F. Lauer möchte das Gerücht überprüfen, dass Blumen schneller wachsen, wenn man mit ihnen redet. Daher kauft sie acht identische Blumenzwiebeln,
MehrEinführung II. Kontext und Mehr-Ebenen-Datensätze. Wiederholung Statistische Mehr-Ebenen-Modelle Politisches Vertrauen in Europa Fazit/Ausblick
Einführung II Kontext und Mehr-Ebenen-Datensätze Kontext und Mehr-Ebenen-Datensätze Einführung II (1/28) Warum? Wiederholung Moderne Erklärungen = Mehr-Ebenen-Erklärungen Viele Datensätze sind strukturiert
MehrWirtschaftswissenschaftliches Prüfungsamt
Wirtschaftswissenschaftliches Prüfungsamt Master of Economics, Finance and Philosophy Diplomprüfung Econometric Methods and Applications Wintersemester 2011/12 22. Februar 2012 Prof. Dr. Ralph Friedmann
Mehr