Fragen zum zweiten Teil der Vorlesung
|
|
- Kerstin Amsel
- vor 5 Jahren
- Abrufe
Transkript
1 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) der Benzinpreise in Südbaden e1,55 pro Liter überschreitet. Eine Stichprobe von 20 Tankstellen erbrachte 9 Beobachtungen, bei denen der Preis oberhalb von e1,55 pro Liter liegt. V + sei die Anzahl der Tankstellen, für die der Preis oberhalb von e1,55 liegt (Aufg. A.5 aus der Hauptklausur vom WS 2010/11). 2. Gegeben sei das Regressionsmodell y i = α + βx i + u i und folgende Zwischenrechnungen auf Basis einer Stichprobe mit 50 Beobachtungen: y i = 1.124, 55; xi = 1.275; (x i x) 2 = , 5; x i y i = , 07. Geben Sie die KQ- Schätzer auf zwei Nachkommastellen gerundet an (Aufg. A.7 in aus der Hauptklausur vom WS 2009/10). 3. Gegeben sei das Regressionmodell y i = β 1 + β 2 x i + β 3 z i + u i (Aufg. A.8 aus der Hauptklausur vom WS 2010/11). a) Der Kleinste-Quadrate-Schätzer für (β 1, β 2, β 3 ) ist konsistent, wenn x i und z i mit u i unkorreliert sind. Stimmt das? b) Wenn die Stichprobenkovarianz zwischen x i und z i exakt null ist, dann entspricht der KQ-Schätzer für β 2 dem KQ-Schätzer für γ 2 im Regressionsmodell y i = γ 1 + γ 2 x i + v i. Stimmt das? c) Wenn z i und x i eng korreliert sind, dann führt dies zu einem Multikollinearitätsproblem dergestalt, dass aufgrund hoher Standardfehler t-statistiken nicht signikant sind. Stimmt das? 4. Was ist gemeint, wenn nach der Signikanz oder der Interpretation von Regressoren/partiellen Eekten gefragt wird? 1
2 5. Was ist die ökonomische Interpretation der Koezienten von Dummyvariablen in einem Regressionsmodell? 6. Wie interpretiert man Interaktionseekte in einem Regressionsmodell? 7. Wie interpretiert man die Konstante in einem Regressionsmodell? 8. Wie führe ich in TSP Hypothesentests nach einer KQ-Schätzung durch? 9. Warum werden Tests über die gemeinsame Signikanz von Regressoren durchgeführt? 10. Wo muss ich beim White-Test den kritischen Wert aus der χ 2 -Verteilungstabelle suchen? 11. Warum logarithmiert man die abhängige Variable bei Heteroskedastie? 12. Gegeben sei folgendes Modell zur Schätzung einer Cobb-Douglas-Produktionsfunktion: ln(y t ) = γ 1 + γ 2 t + γ 3 t 2 + α ln(l t ) + β ln(k t ) + u t (Aufg. A.8 der Nachholklausur vom WS 2009/10). a) Was ist der Einuss des technischen Fortschritts? b) Wie testet man auf konstante Skalenerträge? 13. Folgende Gleichung wurde in TSP geschätzt: ols lnmiete c zh adrs adrg kueche wfl wfl2 badvorh wflbad bj_00 bj00_50 bj50_70 bj70_80; (Aufg. B.2 G aus der Klausur vom WS 2009/10). Wie kann ich testen, ob die Miete von Wohnungen mit Baujahr vor 1980 bei gleicher Ausstattung nicht mit dem Baujahr variiert? 14. Folgendes Regressionsmodell wurde in TSP geschätzt: ols(robustse) lnw c dau ex ex2 sex fdau fex fex2; (Aufg. B.2 aus der Nachholklausur vom WS 2009/10). a) Wie lassen sich die Verdienstunterschiede zwischen Männern und Frauen cha- 2
3 rakterisieren (Aufg. B.2 D)? b) Wie würden Sie statistisch testen, ob bereits beim Berufseinstieg Verdienstunterschiede vorliegen (Aufg. B.2 E)? 15. Folgende Regressionsmodelle wurden in TSP geschätzt: (i) ols qschoko c p eink age age2 age3 freiburg; (ii) ols lqschoko c lp leink age age2 age3 freiburg; (Aufg. B.2 F aus der Klausur vom WS 2010/11). Wie unterscheidet sich die Interpretation? 3
4 TSP-Output zu den Fragen 4-8 PROGRAM COMMAND *************************************************************** 1? ?Muenchner Mietspiegel 1? options crt, mem=20; 2 2 supres smpl; 3 3?dblist(doc) miete03 ; 3 3 freq n; 4 4 in miete03; 5 5 mat fullsmpl=@smpl; 6 print fullsmpl; 7 7?Daten ansehen 7?smpl 1 10 ; 7?print nm wfl zh0 badextra kueche wohngut wohnbest ; 7 7?Deskriptive Statistiken 7 smpl fullsmpl ; 8 msd(terse,byvar) nm wfl zh0 badextra kueche wohngut wohnbest ; title 'Regression mit Dummyvariablen' ; ols nm c badextra ; 11 4
5 11 title 'Varianz-Kovarianz-Matrix' ; 12 ; 13 13?stop; genr badextra0=1-badextra ; ols nm badextra0 badextra ; title 'Varianz-Kovarianz-Matrix' ; 16 ; title 'Test von H0: beta1 = beta2 ' ; frml equal badextra0-badextra ; analyz(noconstr) equal ; title 'Teststatistik von Hand' ; set zaehler=(@coef(1)-@coef(2))**2 ; set nenner=@vcov(1,1)+@vcov(2,2) ; set chistat=zaehler/nenner ; print chistat ; 25 25?stop ; title 'Regression mit Dummyvariablen und Interaktionseffekten' ; 26 5
6 26 genr wflbad=badextra*wfl ; ols nm c badextra wfl wflbad; 28 28?stop; ols nm badextra0 badextra wfl wflbad; title 'Varianz-Kovarianz-Matrix' ; 30 ; title 'Test von H0: beta1 = beta2 ' ; frml equal badextra0-badextra ; analyz(noconstr) equal ; title 'Test von H0: beta3=0 & beta4=0 ' ; frml constr1 wfl ; 36 frml constr2 wflbad ; analyz(noconstr) constr1 constr2 ; 38 38?stop ; genr wohnbestbad=badextra*wohnbest ; ols nm c badextra wohnbest wohnbestbad ; title 'Test von H0: beta3=0 & beta4=0 ' ; 6
7 41 41 frml constr1 wohnbest ; 42 frml constr2 wohnbestbad ; analyz(noconstr) constr1 constr2 ; END ; EXECUTION ******************************************************************************* FULLSMPL Univariate statistics ===================== Number of Observations: 2053 Num.Obs Mean Std Dev Minimum Maximum NM WFL ZH BADEXTRA KUECHE WOHNGUT WOHNBEST
8 Regression mit Dummyvariablen ============================= Equation 1 ============ Method of estimation = Ordinary Least Squares Dependent variable: NM Number of observations: 2053 Mean of dep. var. = LM het. test = [.026] Std. dev. of dep. var. = Durbin-Watson = [<.283] Sum of squared residuals = E+09 Jarque-Bera test = [.000] Variance of residuals = Ramsey's RESET2 = E+38 [.000] Std. error of regression = F (zero slopes) = [.000] R-squared = Schwarz B.I.C. = Adjusted R-squared = Log likelihood = Estimated Standard Variable Coefficient Error t-statistic P-value C [.000] BADEXTRA [.000] Varianz-Kovarianz-Matrix
9 Equation 2 ============ Method of estimation = Ordinary Least Squares Dependent variable: NM Number of observations: 2053 Mean of dep. var. = LM het. test = [.026] Std. dev. of dep. var. = Durbin-Watson = [<.283] Sum of squared residuals = E+09 Jarque-Bera test = [.000] Variance of residuals = Ramsey's RESET2 = E+38 [.000] Std. error of regression = F (zero slopes) = [.000] R-squared = Schwarz B.I.C. = Adjusted R-squared = Log likelihood = Estimated Standard Variable Coefficient Error t-statistic P-value BADEXTRA [.000] BADEXTRA [.000] Varianz-Kovarianz-Matrix
10 Test von H0: beta1 = beta2 ========================== Results of Parameter Analysis ============================= Standard Parameter Estimate Error t-statistic P-value EQUAL [.000] Wald Test for the Hypothesis that the given set of Parameters are jointly zero: CHISQ(1) = ; P-value = F Test for the Hypothesis that the given set of Parameters are jointly zero: F(1,2051) = ; P-value = Teststatistik von Hand ====================== CHISTAT = Regression mit Dummyvariablen und Interaktionseffekten ====================================================== Equation 3 ============ Method of estimation = Ordinary Least Squares 10
11 Dependent variable: NM Number of observations: 2053 Mean of dep. var. = LM het. test = [.000] Std. dev. of dep. var. = Durbin-Watson = [<.180] Sum of squared residuals = E+08 Jarque-Bera test = [.000] Variance of residuals = Ramsey's RESET2 = [.222] Std. error of regression = F (zero slopes) = [.000] R-squared = Schwarz B.I.C. = Adjusted R-squared = Log likelihood = Estimated Standard Variable Coefficient Error t-statistic P-value C [.000] BADEXTRA [.003] WFL [.000] WFLBAD [.324] Equation 4 ============ Method of estimation = Ordinary Least Squares Dependent variable: NM Number of observations: 2053 Mean of dep. var. = LM het. test = [.000] Std. dev. of dep. var. = Durbin-Watson = [<.180] Sum of squared residuals = E+08 Jarque-Bera test = [.000] Variance of residuals = Ramsey's RESET2 = [.222] Std. error of regression = F (zero slopes) = [.000] R-squared = Schwarz B.I.C. = Adjusted R-squared = Log likelihood =
12 Estimated Standard Variable Coefficient Error t-statistic P-value BADEXTRA [.000] BADEXTRA [.000] WFL [.000] WFLBAD [.324] Varianz-Kovarianz-Matrix D D Test von H0: beta1 = beta2 ========================== Results of Parameter Analysis ============================= Standard Parameter Estimate Error t-statistic P-value EQUAL [.003] Wald Test for the Hypothesis that the given set of Parameters are jointly zero: CHISQ(1) = ; P-value =
13 F Test for the Hypothesis that the given set of Parameters are jointly zero: F(1,2049) = ; P-value = Test von H0: beta3=0 & beta4=0 ============================== Results of Parameter Analysis ============================= Standard Parameter Estimate Error t-statistic P-value CONSTR [.000] CONSTR [.324] Wald Test for the Hypothesis that the given set of Parameters are jointly zero: CHISQ(2) = ; P-value = F Test for the Hypothesis that the given set of Parameters are jointly zero: F(2,2049) = ; P-value =
14 Equation 5 ============ Method of estimation = Ordinary Least Squares Dependent variable: NM Number of observations: 2053 Mean of dep. var. = LM het. test = [.016] Std. dev. of dep. var. = Durbin-Watson = [<.456] Sum of squared residuals = E+09 Jarque-Bera test = [.000] Variance of residuals = Ramsey's RESET2 = E+38 [.000] Std. error of regression = F (zero slopes) = [.000] R-squared = Schwarz B.I.C. = Adjusted R-squared = Log likelihood = Estimated Standard Variable Coefficient Error t-statistic P-value C [.000] BADEXTRA [.000] WOHNBEST [.000] WOHNBESTBAD [.225] Test von H0: beta3=0 & beta4=0 ============================== Results of Parameter Analysis ============================= Standard Parameter Estimate Error t-statistic P-value CONSTR [.000] CONSTR [.225] 14
15 Wald Test for the Hypothesis that the given set of Parameters are jointly zero: CHISQ(2) = ; P-value = F Test for the Hypothesis that the given set of Parameters are jointly zero: F(2,2049) = ; P-value = ******************************************************************************* END OF OUTPUT. 15
Fragestunde zur Übung
Prof. Bernd Fitzenberger, Ph.D. Dr. Roland Füss Aderonke Osikominu Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Wintersemester 2007/08 Fragestunde zur Übung
MehrÜbungsblatt 7: Schätzung eines Mietspiegels
Prof. Bernd Fitzenberger, Ph.D. Ute Leuschner Stefanie Schäfer Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Wintersemester 2010/11 Übungsblatt 7: Schätzung
MehrLösung - Übungsblatt 10
Lösung - Übungsblatt 10 Aufgabe 2: Siehe Outputfile Aufgabe 2 a) Regressionsgleichung - Equation 1: price = β 1 + β 2 lotsize + β 3 sqrft + β 4 bdrms + u i Fit: price = β 1 + β 2 lotsize + β 3 sqrft +
MehrKlausur ÖKONOMETRIE für Bachelor VWL
Klausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrNachholklausur ÖKONOMETRIE für Bachelor VWL
Nachholklausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrKlausur ÖKONOMETRIE für Bachelor VWL
Klausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrKlausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung. Prof. Bernd Fitzenberger, Ph.D. WS 2010/11. Mittwoch, 16.
Klausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. WS 2010/11 Mittwoch, 16. Februar 2011 Die folgenden drei Aufgaben sind alle zu bearbeiten. Die insgesamt
MehrNachholklausur ÖKONOMETRIE für Bachelor VWL
Nachholklausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrKlausur zur Vorlesung: Prof. Bernd Fitzenberger, Ph.D. SS 2012 Donnerstag, 31. Juli 2012
Klausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. SS 2012 Donnerstag, 31. Juli 2012 Die folgenden drei Aufgaben sind alle zu bearbeiten. Die insgesamt
MehrKlausur STATISTIK 2 für Diplom VWL
Klausur STATISTIK 2 für Diplom VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrErrata im Empiwifo-Skript
Errata im Empiwifo-Skript Stand: 18. Juli 2012 Seite Fehler Korrigiert iv Formulierung x TSP 5.0 TSP 5.1 39 Abschnitt 7.2 Abschnitt 6.2 49 Falscher Output-Titel TSP-Programm zu Kapitel 3.1 68 Falscher
MehrKlausur zur Vorlesung: Prof. Bernd Fitzenberger, Ph.D. WS 2009/2010. Donnerstag, den 18. Februar 2010
Klausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. WS 2009/2010 Donnerstag, den 18. Februar 2010 Die folgenden drei Aufgaben sind alle zu bearbeiten.
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
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
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 =
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:
MehrNachholklausur zur Vorlesung: Prof. Bernd Fitzenberger, Ph.D. SS 2012 Mittwoch, 17. Oktober 2012
Nachholklausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. SS 2012 Mittwoch, 17. Oktober 2012 Die folgenden drei Aufgaben sind alle zu bearbeiten. Die
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
MehrKlausur ÖKONOMETRIE für Bachelor
Klausur ÖKONOMETRIE für Bachelor Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine
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
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrWahrscheinlichkeitslimes und Konsistenz eines Schätzers
5.5. IV SCHÄTZUNG 1 5.5 Multivariate lineare Regression: Fehler in den Variablen, Proxies, Endogenität, Instrumentvariablenschätzung Wahrscheinlichkeitslimes und Konsistenz eines Schätzers Literatur: Gujarati
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
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
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,
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
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
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
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
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
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
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
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)
Mehr11. Übungsblatt zur Vorlesung Ökonometrie SS 2014
Universität des Saarlandes Lehrstab Statistik Dr. Martin Becker Dipl.-Kfm. Andreas Recktenwald 11. Übungsblatt zur Vorlesung Ökonometrie SS 2014 Aufgabe 45 Die in Aufgabe 43 getroffene Annahme heteroskedastischer
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
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
Mehr8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme)
8. Keine Normalverteilung der Störgrößen (Verletzung der B4-Annahme) Annahme B4: Die Störgrößen u i sind normalverteilt, d.h. u i N(0, σ 2 ) Beispiel: [I] Neoklassisches Solow-Wachstumsmodell Annahme einer
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
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
MehrStefanie Licklederer/Ute Schulze Wintersemester 2013/14. Übungsblatt 1 Wachstumsraten, Indizes
B.5 Übung Prof. Bernd Fitzenberger, Ph.D. 1. Wachstumsraten Übungsblatt 1 Wachstumsraten, Indizes Definieren Sie die Begriffe Wachstumsrate und Wachstumsfaktor konventionell und auf Basis von Logarithmen.
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
MehrProf. Regina T. Riphahn, Ph.D. WS 03/04 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 10. Februar 2004,
Prof. Regina T. Riphahn, Ph.D. WS 03/04 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 10. Februar 2004, 9.00-10.30 Uhr Erlaubte Hilfsmittel: Tabelle der statistischen Verteilungen,
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
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
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
MehrZwischenklausur ÖKONOMETRIE
Zwischenklausur ÖKONOMETRIE Name, Vorname: Matrikel-Nr. Die Klausur besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine Antwort richtig ist und von denen mehrere
Mehr6. Heteroskedastizität (Verletzung der B2-Annahme)
6. Heteroskedastizität (Verletzung der B2-Annahme) Annahme B2: Die Störgröße u i hat für i = 1,..., N eine konstante Varianz, d.h. V ar(u i ) = σ 2 Bezeichnungen: Konstante u i -Varianzen: Homoskedastizität
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
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
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
Mehr3. Das einfache lineare Regressionsmodell
3. Das einfache lineare Regressionsmodell Ökonometrie: (I) Anwendung statistischer Methoden in der empirischen Forschung in den Wirtschaftswissenschaften Konfrontation ökonomischer Theorien mit Fakten
MehrStatistik II für Betriebswirte Vorlesung 11
Statistik II für Betriebswirte Vorlesung 11 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 07. Januar 2019 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 11 Version:
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.
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
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
Mehr4. Das multiple lineare Regressionsmodell
4. Das multiple lineare Regressionsmodell Bisher: 1 endogene Variable y wurde zurückgeführt auf 1 exogene Variable x (einfaches lineares Regressionsmodell) Jetzt: Endogenes y wird regressiert auf mehrere
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
MehrÜbungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
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
MehrLineare Regressionen mit R (Ökonometrie SS 2014 an der UdS)
Lineare Regressionen mit R (Ökonometrie SS 2014 an der UdS) Es soll untersucht werden, ob und wie sich Rauchen während der Schwangerschaft auf den Gesundheitszustand des Neugeborenen auswirkt. Hierzu werden
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
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
4 Multiple lineare Regression Tests auf Heteroskedastie 4.11 Breusch-Pagan-Test I auf Heteroskedastie in den Störgrößen Ein weiterer Test auf Heteroskedastie in den Störgrößen ist der Breusch-Pagan-Test.
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
4 Multiple lineare Regression Tests auf Heteroskedastie 4.11 Breusch-Pagan-Test I auf Heteroskedastie in den Störgrößen Ein weiterer Test auf Heteroskedastie in den Störgrößen ist der Breusch-Pagan-Test.
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
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
MehrSchweizer Statistiktage, Aarau, 18. Nov. 2004
Schweizer Statistiktage, Aarau, 18. Nov. 2004 Qualitative Überprüfung der Modellannahmen in der linearen Regressionsrechnung am Beispiel der Untersuchung der Alterssterblichkeit bei Hitzeperioden in der
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
Breusch-Pagan-Test I auf Heteroskedastie in den Störgrößen Ein weiterer Test auf Heteroskedastie in den Störgrößen ist der Breusch-Pagan-Test. Im Gegensatz zum Goldfeld-Quandt-Test ist es nicht erforderlich,
Mehr4 Multiple lineare Regression Multikollinearität 4.9
Multikollinearität Erinnerung: Unter der (gemäß Modellannahmen ausgeschlossenen) perfekten Multikollinearität versteht man eine perfekte lineare Abhängigkeit unter den Regressoren (einschließlich des Absolutglieds
Mehr4 Multiple lineare Regression Multikollinearität 4.9
Multikollinearität Erinnerung: Unter der (gemäß Modellannahmen ausgeschlossenen) perfekten Multikollinearität versteht man eine perfekte lineare Abhängigkeit unter den Regressoren (einschließlich des Absolutglieds
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.
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
MehrNachschreibklausur im Anschluss an das SS 2009
Nachschreibklausur im Anschluss an das SS 2009 08. Oktober 2009 Lehrstuhl: Prüfungsfach: Prüfer: Hilfsmittel: Klausurdauer: Wirtschaftspolitik Empirische Wirtschaftsforschung Prof. Dr. K. Kraft Nicht-programmierbarer
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrPerfekte Multikollinearität III. Multikollinearität
Multikollinearität Perfekte Multikollinearität I Erinnerung: Unter der (gemäß Modellannahmen ausgeschlossenen) perfekten Multikollinearität versteht man eine perfekte lineare Abhängigkeit unter den Regressoren
MehrKapitel 6. Mikroökonometrie. Literatur: Wooldridge, Kap. 7.5, Dummyvariable
Kapitel 6 Mikroökonometrie Literatur: Wooldridge, Kap. 7.5, 17.1 6.1 Dummyvariablen als abhängige Variablen: Lineares Wahrscheinlichkeitsmodell und Probit Dummyvariable y i := D i := { 1 Ereignis A tritt
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
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
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)
MehrSyntax. Ausgabe *Ü12. *1. corr it25 with alter li_re kontakt.
Syntax *Ü2. *. corr it25 with alter li_re kontakt. *2. regression var=it25 alter li_re kontakt/statistics /dependent=it25 /enter. regression var=it25 li_re kontakt/statistics /dependent=it25 /enter. *3.
MehrEin Modell für den Weltmarkt von Kupfer
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 http://highered.mcgraw-hill.com/sites/dl/free/0073402818/459485/tho02818_mod3_web.pdf
MehrVorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik. Regression. Einfache lineare Regression
Vorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik Regression Dozent: Fabian Scheipl Material: H. Küchenhoff LMU München 39 Einfache lineare Regression Bestimmung der Regressionsgerade
MehrStatistik II für Betriebswirte Vorlesung 8
Statistik II für Betriebswirte Vorlesung 8 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 3. Dezember 2018 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 8 Version:
MehrDie Anwendung des globalen und partiellen F-Tests beim Regressionsmodell
Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-1 Die Anwendung des globalen und partiellen F-Tests beim Regressionsmodell von XENOPHOB auf V247 und POSTMAT, MATERIAL Für unsere
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
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
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
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
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung IX. Dynamische Modelle
Dipl. Vw. Matthias Kirbach Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
Mehr