Ökonometrische Prognose: U.S.-GDP Wachstumsraten. Sigrid Stix, Klaus Prettner, Robert Hierländer,
|
|
- Gitta Krüger
- vor 5 Jahren
- Abrufe
Transkript
1 Ökonometrische Prognose: U.S.-GDP Wachstumsraten Sigrid Stix, Klaus Prettner, Robert Hierländer, Im Rahmen der LV Ökonometrische Prognose o. Univ.-Prof. Dr. Robert Kunst WS 2006/2007
2 Einleitung Die Motivation für unser empirisches Projekt bestand darin die Wachstumsraten des U.S. GDP zu prognostizieren. Unser Ansatz beschränkt sich dabei auf modell-basierte zeitreihenanalytische Verfahren wie sie von Box & Jenkins (Box und Jenkins, 1970) beschrieben wurden, insbesondere auf die in der Ökonometrie verbreiteten linearen ARMAbzw. ARIMA -Modelle. Der der Modellierung zugrundeliegende Datensatz stammt vom U.S. department of commerce, bureau of economics. Die gewählte Zeitreihe beginnt mit dem ersten Quartal 1929 und endet mit dem dritten Quartal 2006, wobei das GPD mittels eines Kettenindex basierend auf den Dollarpreisen im Jahr 2000 bereinigt wurde. Von Interesse scheint der Punkt zu sein, daß jeder von uns die Verwertung der Daten und die anschließende Modellierung betreffend einen eigenen Weg eingeschlagen hat. Daraus ergeben sich drei unterschiedliche Prognosen für den zukünftigen Verlauf der Wachstumsraten des U.S. GDP. In der Folge präsentieren wir unsere drei unterschiedlichen Ansätze, wobei die ersten beiden der Verwendung von Jahreswachstumsraten den Vorzug gaben, der dritte Ansatz verfolgt das Vorhaben der Prognose anhand von Quartalswachstumsraten. Der Vorteil bei der Verwendung von Jahresdaten könnte die resultierende Saisonbereinigung sein, andererseits könnte wertvolle Information die Dynamik betreffend genau dadurch verloren gehen.
3 Prognose mit Jahresdaten Für die ersten beiden Ansätze ist es unserer Meinung nach sinnvoll, sich die Jahreswachstumsraten des amerikanischen GDP vorerst graphisch vor Augen zu führen: Abbildung 1: Jahreswachstumsraten des U.S. GDP Die Zeitreihe scheint nach dem Ende des 2. Weltkriegs eine veränderte Struktur aufzuweisen als in den Jahren davor, woraus sich zwei weitere Unterscheidungen in unseren Ansätzen der Modellschätzung ergaben. Im ersten Ansatz verwendeten wir die gesamte Stichprobe, ein sub-set Modell sollte in diesem Fall den datengenerierenden Prozeß beschreiben. Die Modellwahl ging wie folgt von statten: Zuerst wurden Modelle mit einzelnen autoregressiven termen von AR(1) bis AR(20) nacheinander geschätzt. Die vier Modelle mit den niedrigsten Akaike Informationskriterium wurden herangezogen, wobei bestimmte Kombinationen unter diesen vieren das AIC weiter verringerten. Insbesondere die beiden Modelle: AR(1_4_10) und AR(1_4_11) ergaben den besten Wert im Sinne von Akaike wie in folgender Tabelle ersichtlich ist:
4 Tabelle 1: Vergleich der besten sub-set Modelle Auf die genaue Spezifizierung des root mean squared error der insample Prognose wird in der Folge noch eingegangen, jedenfalls würde nach diesem Kriterium ein 'schlichtes' Modell mit einem autoregressiven Term der Ordnung vier gewählt. Die out of sample Prognosen der zwei besten sub-set Modelle nach Akaike für die Jahre 2006 bis 2009 sind graphisch in Abbildung 2 zusammengefasst. Als nächsten Schritt haben wir versucht, die jährliche Wachstumsrate des US-GDPs erst ab dem Jahr 1947 einem statistischen Prozess zu zuordnen. Vorerst, nachdem wir die Residuen der Nachkriegsperiode untersucht haben, schätzten wir mehrere ARMA-Modelle um mit diesen dann, durch die Informationskriterien von Akaike und Schwarz, die besten auszuwählen. Die nachfolgende Tabelle bildet einige der untersuchten Modelle und deren Informationskriterien ab.
5 AIC BIC RMSE ARMA(1,1) ARMA(1,2) ARMA(1,3) ARMA(1,4) ARMA(1,5) ARMA(2,1) ARMA(2,2) ARMA(2,3) ARMA(2,4) ARMA(3,3) ARMA(4,4) ARMA(3,4) Tabelle 2: Die Werte die in der Spalte RMSE stehen, stellen die geschätzten root mean squared errors dar, diese sind durch eine insample Prognose der besten geschätzten Modelle über den Zeitraum entstanden. Die Annahme, die dieser Überlegung zugrunde liegt war, dass die letzten Jahre ( ) auf die kommenden Jahre (Forecastperiode) das gesuchte Modell beeinflussen. Wie auch aus obiger Tabelle ersichtlich, wird das Modell ARMA(3,4) als bestes von den Informationskriterien gewählt. Das Modell ARMA(4,4) wird durch den root mean squared error gewählt. Als nächsten Schritt wurden mit diesen zwei Modellen out of sample Prognosen durchgeführt für die Jahre Die Ergebnisse der Prognosen werden in der folgenden Abbildung dargestellt. Hier finden sich auch die Ergebnisse der sub-set Modelle aus dem vorherigen Abschnitt.
6 Robert, Sigrid vs. Welt 10,00% 8,00% 6,00% 4,00% 2,00% 0,00% ARMA(4,4) ARMA(3,4) economist consensuseconomics Robert AR(1_4_10) Robert AR(4) -2,00% ,00% Abbildung 2: Deutlich erkennbar ist hier der Niveauunterschied der sub-set Modelle zu den herkömmlichen ARMA Modellen, welche sich um den Mittelwert bewegen. Die sub-set Modelle schlagen eine deutlich positivere Wachstumsrate vor als beispielsweise die Ergebnisse des Economist und von Consensus Economics. Prognose mit den Quartalsdaten Als nächstes betrachteten wir die Quartalsdaten von 1947 (Q2) bis 2006 (Q3) und schätzten ein großes ARMA Modell, um eine from general to specific Modellselektion durchzuführen. Es wurden also immer die Prozesse der höchsten Ordnung mit dem größten p- Wert in der nächsten Schätzung weggelassen. Auch wenn die beiden Prozesse der höchsten Ordnung signifikant waren, wurde die Prozedur fortgesetzt, da manchmal wieder neue Insignifikanzen zum Vorschein kamen. Die resultierenden Modelle verglichen wir mittels der bekannten Modellselektionskriterien AIC und BIC. Darüber hinaus führten wir eine in sample
7 Prognose von 2004 (Q1) bis 2006 (Q3) durch, um den root mean squared error (RMSE, die Wurzel aus der mittleren quadratischen Abweichung der prognostizierten Werte mit den realisierten Werten) für diese Periode zu berechnen. Anschließend führten wir mit den drei für uns am besten geeignet scheinenden Modellen eine out of sample Prognose für die Periode 2006 (Q4) bis 2007 (Q4) durch. Die nächste Tabelle vergleicht die Modelle, in denen die Prozesse höchster Ordnung jeweils signifikant waren miteinander: Arma(2,2) Arma(2,4) Arma(4,5) Arma(4,6) Arma(7,7) AIC 5,5826 5,6319 5,5580 5,5712 5,6697 BIC 5,5093 5,5292 5,4103 5,4088 5,4461 RMSE 1,1152 1,2022 1,2256 1,1657 1,2511 Tabelle 3: Vergleich der Arma Modelle mit signifikanten Prozessen höchster Ordnung Aus dieser Tabelle geht ein sehr uneinheitliches Bild hervor. Das ARMA (2,2) Modell ist vom RMSE her das beste Modell, scheint also für die Prognose sehr gut geeignet zu sein. Das AIC ist beim ARMA (4,5) am niedrigsten, jedoch ist der RMSE dieses Modells sehr schlecht. ARMA (4,6) ist wiederum vom BIC her das beste Modell, auch der RMSE ist sehr niedrig. Das ARMA (2,4) Modell wiederum liegt mit dem RMSE in der Mitte und die Parameter der Prozesse waren jeweils recht hoch signifikant. Insgesamt kann man aufgrund dieser Werte nur das ARMA (7,7) Modell von vornherein weglassen, da es im Vergleich zu den anderen Modelle recht schlecht zu sein scheint. Wir entschieden uns, die out of sample Prognosen mit den Modellen ARMA (2,2), ARMA (2,4) und ARMA (4,6) durchzuführen, da diese Modelle vom RMSE her die drei besten sind. Die Ergebnisse dieser Prognosen sind in der nächsten Tabelle zusammengefasst:
8 Arma(2,2) Arma(2,4) Arma(4,6) 2006 (4) 3,0653 2,1653 2, (1) 2,9596 3,7247 3, (2) 3,0900 4,4643 2, (3) 3,3706 3,5365 3, (4) 3,6633 2,5347 3,6953 Tabelle 4: out of sample Prognosen für 2006 (Q4) bis 2007 (Q4) Aus dieser Tabelle gehen vor allem für die Modelle ARMA (3,4) und ARMA (4,6) recht hohe Prognosewerte hervor, die uns eher unrealistisch erschienen, da eine Abkühlung der Konjunktur in den USA momentan in den Medien propagiert wird. Es scheinen also andere dämpfende Einflüsse ebenfalls eine Rolle zu spielen. Verbesserungsversuche Um die Prognosegüte zu verbessern führten wir eine kombinierte Prognose durch, wie sie Ramanathan (Ramanathan, 2002) vorschlägt. Es wird vorgeschlagen eine Prognose zu erstellen, welche die gewichtete Summe der besten bereits vorhandenen Prognosen ist. Die benötigten Gewichte errechnen sich aus der Regression: Y = ß + ß Y ß Yˆ + u 0 1 ˆ1 k k t wobei Y die Daten und Yˆ i die zum jeweiligen Modell gehörenden in sample Prognosen für 1947 (Q2) bis 2006 (Q3) sind. Die resultierenden Koeffizienten ß i sind die benötigten Gewichte und u t die Fehlerterme. Als weiteren Versuch bessere Ergebnisse zu erzielen, führten wir eine Prognose mit dem Holt-Winters Verfahren (additive Version) durch, da dieses Verfahren zu einem sehr kleinen
9 RMSE geführt hatte. Die Ergebnisse der kombinierten Prognose und der Holt-Winters Prognose sind in der nächsten Tabelle dargestellt: Kombinierte Prognose Holt Winters Algorithmus RMSE 1,2310 0, (4) 1,7960 3, (1) 4,0843 4, (2) 3,6739 3, (3) 4,3277 3, (4) 3,8988 3,1581 Tabelle 5: Resultate der kombinierten Prognose und des Holt-Winters Algorithmus Aus dieser Tabelle geht hervor, dass die kombinierte Prognose eher die schlechten Elemente der einzelnen Prognosen miteinander verbindet, anstatt zu einer besseren Prognose zu führen, der RMSE ist höher als der höchste in den separaten Prognosen. Auch der Holt-Winters Algorithmus lieferte keine zufrieden stellenden Ergebnisse, obwohl der RMSE verglichen mit den anderen Modellen sehr klein ist.
10 Schlussfolgerungen Aufgrund dieser Ergebnisse kommen wir zu dem Schluss, dass das ARMA (2,2) Modell noch immer jenes ist, mit dem man die Quartalsdaten am besten prognostizieren kann. Insgesamt prognostiziert aber auch dieses Modell unserer Meinung nach systematisch zu hohe Werte, was den Schluss nahe legt, dass weiter Faktoren einen dämpfenden Einfluss ausüben, der in reinen Zeitreihenmodellen nicht berücksichtigt ist. Eine Variable, welche einen solchen Einfluss ausüben könnte ist der Zinssatz, welcher in den USA bis Mitte 2006 gestiegen ist und sich mit einer zeitlichen Verzögerung auf das Wirtschaftswachstum auswirkt. Auch der bis dahin gestiegene Ölpreis könnte zumindest auf das 4. Quartal 2006 einen dämpfenden Einfluss ausgeübt haben. Seitdem ist der Ölpreis jedoch wieder im Sinken begriffen, weshalb eine dämpfende Auswirkung für das Jahr 2007 nicht abgeleitet werden kann. Auch gewisse Einflüsse, welche nicht quantifiziert werden können, beispielsweise ein Platzen der Immobilienblase könnten mit einbezogen werden, was ein Fall für die berühmten add factors wäre. Wenn man in den Prognosen des ARMA (2,2) Modells in die Residuen einfach -0,7 hineinschreibt und dies damit begründet, dass man daran glaubt, dass die Immobilienblase platzen wird, ergeben sich Werte, die eher mit den gängigen Prognosen zusammenpassen würden.
11 Literatur Box, G. und Jenkins G. (1970): Time series analysis: Forecasting and control, San Francisco: Holden-Day. Kirchgässner, G., Savioz M. (2001) Monetary Policy and Forecasts for Real GDP Growth: An Empirical Investigation for the Federal Republic of Germany. German Economic Review 2(4): Johnston, J., Di Nardo J. (1997): Econometric Methods, Fourth Edition, Mc. Graw Hill Ramanathan, R (2002): Introductory Econometrics with Applications, Fifth edition, South Western
Aktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 2004) Forecasts und Evaluation
Aktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 24) Forecasts und Evaluation 1. Daten...2 2. Dynamische Forecasts...4 2.1 Exponential Smoothing...4 2.1.1 Double Exponential Smoothing...4 2.1.2 Holt-Winters...5
MehrSE aus Ökonometrische Prognose bei Prof. Dr. Kunst. Prognose der langfristigen Arbeitslosenraten und der kurzfristigen Arbeitslosenzahlen
SE aus Ökonometrische Prognose bei Prof. Dr. Kunst Prognose der langfristigen Arbeitslosenraten und der kurzfristigen Arbeitslosenzahlen Aumayr, Binder Juni 2005 Übersicht Analyse der jährlichen Arbeitslosenraten
MehrAusgewählte Probleme der Ökonometrie
Ausgewählte Probleme der Ökonometrie Bernd Süßmuth IEW Institute für Empirische Wirtschaftsforschung Universität Leipzig October 16, 2012 Bernd Süßmuth (Universität Leipzig) APÖ October 16, 2012 1 / 13
Mehr6. Das klassische Komponentenmodell. 6. Das klassische Komponentenmodell. 6. Das klassische Komponentenmodell. 6. Das klassische Komponentenmodell
6. Das klassische Komponentenmodell Gegeben sei eine ZR x t für die Zeitpunkte t = 1,..., T. Im additiven klassischen Komponentenmodell wird sie folgendermaßen zerlegt: x t = ˆm t + ŝ t + ε t ˆm t ist
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
MehrFolien zur Vorlesung. Zeitreihenanalyse (Time Series Analysis)
Folien zur Vorlesung Zeitreihenanalyse (Time Series Analysis) Wintersemester 2014/2015 Mittwoch 14.00 15.30 Uhr Hörsaal: J 498 Prof. Dr. Bernd Wilfling Westfälische Wilhelms-Universität Münster Inhalt
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Regression: 4 eindimensionale Beispiele Berühmte
MehrDynamische Modelle: Stabilität und Interpretation
1 / 25 Dynamische Modelle: Stabilität und Interpretation Kapitel 17 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 25 Inhalt Kurz- und langfristige Effekte Einmalige Änderung in X Permanente
MehrProf. Dr. Reinhold Kosfeld Zeitreihenanalyse
Prof. Dr. Reinhold Kosfeld Zeitreihenanalyse 1. Einführung 2. Zeitreihenzerlegung und Komponentenmodell (Trend, Saisonbereinigung, Exponentielle Glättung, Korrelogramm, Test auf Autokorrelation) 3. Stochastische
MehrZeitreihenanalyse. Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation
Zeitreihenanalyse Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation Beispiel für Zeitreihe Andere Anwendungen Inventarmanagment Produktionsplanung
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrTheoretische und empirische Aspekte der Prognose wichtiger makroökonomischer Größen
Theoretische und empirische Aspekte der Prognose wichtiger makroökonomischer Größen Dissertation dem Fachbereich Wirtschaftswissenschaften der Justus-Liebig-Universität Gießen zur Erlangung des Grades
MehrJohn Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
Mehr1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
MehrKapitel 5. Prognose. Zeitreihenanalyse wird aus drei Gründen betrieben: Beschreibung des Verlaufs von Zeitreihen.
Kapitel 5 Prognose Josef Leydold c 2006 Mathematische Methoden V Prognose 1 / 14 Lernziele Aufgabe der Prognose Problemtypen Ablauf einer Prognoseaufgabe Zeitreihe Josef Leydold c 2006 Mathematische Methoden
MehrZerlegung von Zeitreihen
Kapitel 7 Zerlegung von Zeitreihen Josef Leydold c 2006 Mathematische Methoden VII Zerlegung von Zeitreihen 1 / 39 Lernziele Klassische Zerlegung von Zeitreihen Saisonbereinigungsverfahren: Gleitende Durchschnitte
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 =
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
Mehr13. Übungswoche - Lösungen
1 13. Übungswoche - Lösungen Kapitel 12: Varianzanalyse (Fortsetzung) [ 3 ] a) Es gibt deutliche Unterschiede, die Gruppen 2, 3, 7 und 9 liegen deutlich tiefer. b) F = DQ(gruppe)/DQ(Residuals) = 25.13/6.19
MehrAusgewählte Probleme der Ökonometrie
Ausgewählte Probleme der Ökonometrie Bernd Süßmuth IEW Institute für Empirische Wirtschaftsforschung Universität Leipzig November 28, 2011 Bernd Süßmuth (Universität Leipzig) APÖ November 28, 2011 1 /
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
MehrEmpirische Wirtschaftsforschung und Ökonometrie
Peter Winker Empirische Wirtschaftsforschung und Ökonometrie 2., vollständig überarbeitete Auflage Mit 99 Abbildungen und 13 Tabellen Springer Inhaltsverzeichnis Vorwort V Teill Einleitung 1 Aufgabe und
MehrZeitreihenanalyse Das Holt-Winters-Verfahren
Zeitreihenanalyse Das Holt-Winters-Verfahren Worum geht es in diesem Lernmodul? Einleitung Modellannahmen Die Prognoseformel des Holt-Winters-Verfahren Die Glättungskoeffizienten Die Startwerte Weiterführende
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
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
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
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:
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
MehrMehrfache Lineare Regression 1/9
Mehrfache Lineare Regression 1/9 Ziel: In diesem Fallbeispiel soll die Durchführung einer mehrfachen linearen Regressionsanalyse auf der Basis vorhandener Prozessdaten (Felddaten) beschrieben werden. Nach
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
MehrBeispiel in R: ZR mit Trend
Beispiel in R: ZR mit Trend Regina Tüchler & Thomas Rusch November 2, 2009 Beispiel: Holt Verfahren für die Hotel-Daten : Die Daten hotelts-annual.rda werden geladen. Sie müssen sich dafür im working directory
MehrPrognose der regionalen Konjunktur
Prognose der regionalen Konjunktur Dr. Klaus Wohlrabe Ifo Institut und LMU München Leiter ifo Umfragen Was sie erwartet Gegenwärtige Datenbasis Aktuelle Forschungen Ausblick Datenbasis Bruttoinlandsprodukt
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie WS 2017/18. ( = 58 Punkte)
Aufgabe 3 (14 + 2 + 7 + 7 + 3 + 5 + 9 + 11 = 58 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe der Statistiksoftware R soll der Datensatz HousePrices aus
MehrVorhersage Täglicher Stromverbrauch für den Industriekomplex
Vorhersage Täglicher Stromverbrauch für den Industriekomplex Boris Bizjak, Univerza v Mariboru, FERI, Slovenija EnInov 2018 TU Graz, Austria 5. 03. 2018 1 Der Industriekomplex besteht aus 20 Unternehmen
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
MehrLineare Modelle in R: Zweiweg-Varianzanalyse und Kovarianzanalyse
Lineare Modelle in R: Zweiweg-Varianzanalyse und Kovarianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon im Tutorium LiMo2.pdf laden wir den GSA Datensatz R> load("gsa.rda") und wählen
Mehr11. Zeitreihen mit Trend und Saisonalität
In diesem Abschnitt geht es um ZR, die in eine Trend-, eine Saisonund eine Restkomponente zerlegt werden können. (Das Niveau sei in der Trendkomponente enthalten.) Beispiele für solche ZR sind in Abb.
MehrDynamische Modelle: Schätzen und Modellwahl
1 / 23 Dynamische Modelle: Schätzen und Modellwahl Kapitel 18 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 23 Inhalt Dynamische Modelle und autokorrelierte Fehler Tests auf Autokorrelation
MehrDynamische Systeme und Zeitreihenanalyse // Saisonbereinigung und Glättung 10 p.2/??
Dynamische Systeme und Zeitreihenanalyse Saisonbereinigung und Glättung Kapitel 10 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Saisonbereinigung und Glättung
MehrEmpirische Wirtschaftsforschung
Universität Ulm 899 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
MehrNotiz zur Schätzung des strukturellen Defizits mit Hilfe der langfristigen Aufkommenselastizität. von: Carsten Colombier
Notiz des Ökonomenteams EFV, Nr. 01, Juli 2003 Notiz zur Schätzung des strukturellen Defizits mit Hilfe der langfristigen Aufkommenselastizität von: Carsten Colombier Intention Diese Notiz ist als Ergänzung
MehrDiagnostik von Regressionsmodellen (1)
Diagnostik von Regressionsmodellen (1) Bei Regressionsanalysen sollte immer geprüft werden, ob das Modell angemessen ist und ob die Voraussetzungen eines Regressionsmodells erfüllt sind. Das Modell einer
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
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
Mehr1 Einleitung. 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen?
1 Einleitung 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen? Idee der Ökonometrie: Mithilfe von Daten und statistischen Methoden Zusammenhänge zwischen verschiedenen Größen messen. Lehrstuhl
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
MehrPrognose des österreichischen Bruttoverbrauchs von Rohöl in Tausend Tonnen Rohöleinheiten (TOE) Michael Pichler,
Prognose des österreichischen Bruttoverbrauchs von Rohöl in Tausend Tonnen Rohöleinheiten (TOE) Michael Pichler, 9951598 1. Aufgabenstellung Das Thema dieser Arbeit ist die Prognose des österreichischen
Mehr5.6 Empirische Wirtschaftsforschung
5.6.0 Vorbemerkungen Literatur Winker, P. (2010): Empirische Wirtschaftsforschung und Ökonometrie. 3. Auflage. Springer. Insbesondere Kapitel 1, 4 und 10. Volltext-Download im Rahmen des LRZ-Netzes. Rinne,
Mehr6. Tutoriumsserie Statistik II
6. Tutoriumsserie Statistik II 1. Aufgabe: Eine Unternehmensabteilung ist ausschließlich mit der Herstellung eines einzigen Produktes beschäftigt. Für 10 Perioden wurden folgende Produktmenge y und Gesamtkosten
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
MehrZeitreihenanalyse. Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation
Zeitreihenanalyse Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation Beispiel für Zeitreihe Zerlegung der Zeitreihe F t Trendkomponente
Mehr13. Übungswoche. Kapitel 12: Varianzanalyse (Fortsetzung)
1 13. Übungswoche Kapitel 12: Varianzanalyse (Fortsetzung) [ 3 ] Im Vorkurs Mathematik für Wirtschafstwissenschaftler vor Beginn des Sommersemesters 2009 wurde am Anfang und am Ende ein Test geschrieben,
Mehr9.1. Lineare und nichtlineare Trends. 9. Zeitreihen mit Trend Lineare und nichtlineare Trends Transformation der Daten
9. Zeitreihen mit Trend 9.1. Lineare und nichtlineare Trends In diesem Abschnitt beschäftigen wir uns mit ZR, die einen langfristigen linearen Trend, aber keine saisonalen Schwankungen, enthalten. Das
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
MehrZeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe
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
MehrEmpirische Wirtschaftsforschung und Ökonometrie
Springer-Lehrbuch Empirische Wirtschaftsforschung und Ökonometrie Bearbeitet von Peter Winker 3., akualisierte Aufl. 2010 2010. Taschenbuch. xiii, 346 S. Paperback ISBN 978 3 642 14506 3 Format (B x L):
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
MehrTest von Hypothesen: Signifikanz des Zusammenhangs (F-Test)
Test von Hyothesen: Signifikanz des Zusammenhangs (F-Test) Die Schätzung der Regressionsfunktion basiert auf Daten einer Stichrobe Inwiefern können die Ergebnisse dieser Schätzung auf die Grundgesamtheit
Mehr6. Schätzung stationärer ARMA-Modelle
6. Schätzung stationärer ARMA-Modelle Problemstellung: Statistische Anpassung eines stationären ARMA(p, q)-prozesses an eine Stichprobe von t = 1,..., T Prozessbeobachtungen Es bezeichne x 1,..., x T die
MehrLineare Regression 2: Gute Vorhersagen
Lineare Regression 2: Gute Vorhersagen Markus Kalisch 23.09.2014 1 Big Picture: Statistisches Lernen Supervised Learning (X,Y) Unsupervised Learning X VL 7, 11, 12 Regression Y kontinuierlich VL 1, 2,
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrWiederholung Qualitätssicherung Drittvariablen. Regression II. Statistik I. Sommersemester Statistik I Regression II (1/33) Wiederholung
Regression II Statistik I Sommersemester 2009 Statistik I Regression II (1/33) R 2 Root Mean Squared Error Statistik I Regression II (2/33) Zum Nachlesen Agresti: 9.1-9.4 Gehring/Weins: 8 Schumann: 8.1-8.2
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Ausgangsdaten Bundesliga 2008/2009 Gegeben: Daten zu den 18 Vereinen der ersten Bundesliga
MehrSPEZIALGEBIETE: ÖKONOMETRIE
SPEZIALGEBIETE: ÖKONOMETRIE Lehrstuhl Ökonometrie und Statistik Technische Universität Dortmund Studienjahr 2017/18 27. Juni 2017 1 / 14 Übersicht Bis jetzt fixiert: Advanced Econometrics (WS 2017/18)
MehrStatistisches Analyseverfahren
Zusatzmaterial zum Beitrag Evers, O. und Schröder, P. (2018). One size fits all? Die Eignung von Risikoscreenings zur Prognose der Inanspruchnahme von Angeboten der Frühen Hilfen. Praxis der Kinderpsychologie
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrGütebewertung und Performanceanalyse von Prognosealgorithmen bei unterschiedlichen Signalklassen
Gütebewertung und Performanceanalyse von Prognosealgorithmen bei unterschiedlichen Signallassen Diplomverteidigung Yongrui Qiao 25. 06. 2009 1/33 Gliederung Motivation und Problemstellung Testverfahren
MehrEGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN
1 EGRESSIONSANALYSE AVID BUCHATZ NIVERSITÄT ZU KÖLN UFBAU 1 Historie 2 Anwendungen / Ziele 3 Lineare Regression/ Beispiel KQ 4 Nichtlineare Regression 5 Eigenschaften der Schätzer istorie früheste Form
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
MehrVorlesung 3: Schätzverfahren
Vorlesung 3: Schätzverfahren 1. Beispiel: General Social Survey 1978 2. Auswahl einer Zufallsstichprobe und Illustration des Stichprobenfehlers 3. Stichprobenverteilung eines Regressionskoeffizienten 4.
MehrEinführung und Verarbeitung
Programmierung in R Betreuer: Dr. Julian Kunkel Isabella Tran Einführung und Verarbeitung von Zeitserien Agenda Einführung Arbeitsphasen bei Zeitreihenanalysen Programmierung in R ARIMA Modell Einführung
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
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
MehrBest Practices in Forecasting & Demand Management
Best Practices in Forecasting & Demand Management 7. Forecast Accuracy SIXSIGMA Europe GmbH Passion for Excellence Theodor-Heuss-Ring 23 50668 Köln Tel. +49.221.77109.560 Six Sigma Europe GmbH Seite 1
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
Mehr7. Stochastische Prozesse und Zeitreihenmodelle
7. Stochastische Prozesse und Zeitreihenmodelle Regelmäßigkeiten in der Entwicklung einer Zeitreihe, um auf zukünftige Entwicklung zu schließen Verwendung zu Prognosezwecken Univariate Zeitreihenanalyse
MehrRegression III. Statistik I. Sommersemester Wiederholung. Zwei unabhängige Variablen Multivariate Zusammenhänge Interaktion.
Regression III Statistik I Sommersemester 2009 Statistik I Regression III (1/36) FN 2004 25 20 15 10 5 10 15 20 Zuwandererquote Statistik I Regression III (2/36) Zum Nachlesen Agresti/Finlay Kapitel 10.2,
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
MehrEmpirisches Projekt: FOREX-Daten mit ARIMA-Modell UK Angewandte Ökonometrie Clemens Holzkorn. Clemens Holzkorn 1
Empirisches Projekt: FOREX-Daten mit ARIMA-Modell UK 040121 Angewandte Ökonometrie 05.05.2016 Clemens Holzkorn Clemens Holzkorn 1 Inhalt Vorwort... 3 Zeitreiheneigenschaften und Stationarität (FRED-Daten)...
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
MehrEin Prognosemodell für Flugticketpreise Christin Hartmann. 17. Konferenz Messen der Preise, Juni, Trier
Ein Prognosemodell für Flugticketpreise Christin Hartmann 17. Konferenz Messen der Preise, 28.-29. Juni, Trier HVPI Personenbeförderung im Luftverkehr 150 HVPI (Ursprungswerte) 140 130 120 Ostern Ende
MehrSPEZIALGEBIETE: ÖKONOMETRIE
SPEZIALGEBIETE: ÖKONOMETRIE Lehrstuhl Ökonometrie und Statistik Technische Universität Dortmund Studienjahr 2016/17 28. Juni 2016 1 / 16 Übersicht Sicher sind nur: Zeitreihenanalyse (WS 2016/17) und Ökonometrie
MehrAnwendung von Multi-Level Moderation in Worst Performance Analysen
Anwendung von Multi-Level Moderation in Worst Performance Analysen Präsentation auf der FGME 2015 - Jena Gidon T. Frischkorn, Anna-Lena Schubert, Andreas B. Neubauer & Dirk Hagemann 16. September 2015
MehrStatistik II. I. Einführung. Martin Huber
Statistik II I. Einführung Martin Huber 1 / 24 Übersicht Inhalt des Kurses Erste Schritte in der empirischen Analyse 2 / 24 Inhalt 1 Einführung 2 Univariates lineares Regressionsmodell 3 Multivariates
MehrWiederholungsübungen zu den Kapiteln 7 bis 11
Mittelwert-Tests Übung Wiederholungsübungen zu den Kapiteln 7 bis 11 In dieser Übung wird der Datensatz 4 verwendet. In dem (fiktiven) Datensatz sind für 50 Personen vier Variablen erfasst: das Geschlecht,
MehrBasiswerkzeuge. Kapitel 6. Lernziele. Zeitreihen-Plot. Beschreiben von Zeitreihen. Graphische Darstellungen. Univariate und bivariate Maßzahlen
Kapitel 6 Basiswerkzeuge Josef Leydold c 2006 Mathematische Methoden VI Basiswerkzeuge 1 / 29 Lernziele Beschreiben von Zeitreihen Graphische Darstellungen Univariate und bivariate Maßzahlen Transformationen
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
MehrPrognose. Kapitel 5. Ökonometrie I Michael Hauser
1 / 31 Prognose Kapitel 5 Ökonometrie I Michael Hauser 2 / 31 Inhalt Prognose, allgemein Prognosebeispiel Punktprognose Prognosefehler Intervallprognose Mean square error, Prognosegüte 3 / 31 Prognose
MehrRegressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/
Regressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/2018 06.12.2018 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN Nachname:...................................................................
MehrKovarianzanalyse. Truthahngewicht. Truthahngewicht. Methoden empirischer Sozialforschung. 1 metrische und mehrere metrische und kategoriale Variablen
Kovarianzanalyse 1 metrische und mehrere metrische und kategoriale Variablen Methoden empirischer Sozialforschung Lineare Modelle (2. Teil) Wie läßt sich die Abhängigkeit einer metrischen Variablen von
MehrAnalyse eines Forschungsthemas Franziska Ressel
Analyse eines Forschungsthemas Franziska Ressel - 14.03.2017 Motivation Ähnliches Verhalten in Vorsaison Einzelne Zeitscheiben Parameterschätzung und Modellerstellung 2 Modell Prognose 3 Fenster vergrößern
MehrTrend, Zyklus und Zufall
Rainer Metz Trend, Zyklus und Zufall Bestimmungsgründe und Verlaufsformen langfristiger Wachstumsschwankungen Franz Steiner Verlag INHALTSVERZEICHNIS Vorwort Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
Mehr