11. Simultane Gleichungssysteme
|
|
- Hansl Bösch
- vor 5 Jahren
- Abrufe
Transkript
1 11. Simultane Gleichungssysteme Bisher: Schätzung und Inferenz einzelner Gleichungen Jetzt: Modellierung und Schätzung von Gleichungssystemen 329
2 Beispiel: [I] Untersuchung des Einflusses von Werbemaßnahmen auf den Absatz eines Pharma-Produktes Datensatz über 24 Quartale (i = 1,..., 24) mit folgenden Variablen: Absatz a i (in 100 g) Werbeanzeigen w i (in Doppelseiten) Preis des Wirkstoffes p i (in Euro / 100 g) Anzeigenpreis q i (in 1000 Euro / Doppelseite) 330
3 Beispiel: [II] Mögliche Modellierung als Einzelgleichung a i = α + β 1 w i + β 2 p i + u i Problem: bidirektionale Kausalität, d.h. Werbeaufwand w i beeinflusst Absatz a i Absatz a i beeinflusst Werbeaufwand w i 331
4 Quartal Absatz Werbeanzeigen Wirkstoffpreis Anzeigenpreis
5 Konsequenz bei bidirektionaler Kausalität: KQ-Schätzer für Einzelgleichungen sind verzerrt und nichtkonsistent Ausweg: Modellierung der bidirektionalen Kausalität in simultanem Gleichungssystem (auch: interdependentes Gleichungssystem) 333
6 11.1 Nicht-Konsistenz der KQ-Schätzer Betrachte das folgende Gleichungssystem: a i = α + β 1 w i + β 2 p i + u i (1) w i = γ + δ 1 a i + δ 2 q i + v i (2) Für die Störgrößen u i und v i soll gelten: u i und v i erfüllen alle B-Annahmen Zwischen u i und v i besteht lediglich eine kontemporäre Korrelation, d.h. Cov(u i, v i ) = σ für i = 1,..., N Cov(u i, v j ) = 0 für i j und i, j = 1,..., N 334
7 Man beachte den folgenden Zusammenhang: Für ein beliebiges i gelte u i > 0 Aus (1) folgt a i Mit δ 1 > 0 folgt aus (2) dann w i Mit β 1 > 0 folgt aus (1) dann a i Multiplikatorprozess: u i > 0 impliziert a i und w i 335
8 Analoger Multiplikatorprozess: v i > 0 impliziert w i und a i Offensichtlich: u i > 0 impliziert w i in (1) in (1) sind w i und u i positiv kontemporär korreliert v i > 0 impliziert a i in (2) in (2) sind a i und v i positiv kontemporär korreliert 336
9 Fazit: In beiden Gleichungen sind die Störgrößen kontemporär korreliert mit einer exogenen Variablen KQ-Schätzer der Einzelgleichungen sind verzerrt und nichtkonsistent (vgl. Kapitel 9, 3. Fall, Folie 244) 337
10 11.2 Indirekte KQ-Methode Jetzt: Schätzung der Parameter nach geeigneter Transformation des Gleichungssystems a i = α + β 1 w i + β 2 p i + u i (1) w i = γ + δ 1 a i + δ 2 q i + v i (2) 338
11 Transformation: [I] Einsetzen von w i aus (2) in (1) ergibt a i = α + β 1 (γ + δ 1 a i + δ 2 q i + v i ) + β 2 p i + u i Umstellen liefert bzw. (1 β 1 δ 1 )a i = α + β 1 γ + β 2 p i + β 1 δ 2 q i + β 1 v i + u i a i = α + β 1γ 1 β 1 δ 1 + β 2 1 β 1 δ 1 p i + β 1δ 2 1 β 1 δ 1 q i + β 1v i + u i 1 β 1 δ 1 (3) 339
12 Transformation: [II] Analog ergibt sich durch Einsetzen von a i aus (1) in (2) und Auflösen nach w i w i = γ + δ 1α 1 β 1 δ 1 + β 2δ 1 1 β 1 δ 1 p i + δ 2 1 β 1 δ 1 q i + δ 1u i + v i 1 β 1 δ 1 (4) Definiere für Gleichung (3) π 1 α + β 1γ 1 β 1 δ 1, π 2 β 2 1 β 1 δ 1, π 3 β 1δ 2 1 β 1 δ 1, u i β 1v i + u i 1 β 1 δ 1 Definiere für Gleichung (4) π 4 γ + δ 1α 1 β 1 δ 1, π 5 β 2δ 1 1 β 1 δ 1, π 6 δ 2 1 β 1 δ 1, v i δ 1u i + v i 1 β 1 δ 1 340
13 Transformation: [III] Das transformierte Gleichungssystem lautet damit a i = π 1 + π 2 p i + π 3 q i + u i (5) w i = π 4 + π 5 p i + π 6 q i + v i (6) Bemerkungen: [I] Die Störgrößen u i und v i erfüllen alle B-Annahmen (Begründung?) Gleichung (5) enthält nicht mehr die Variable w i 341
14 Bemerkungen: [II] Gleichung (6) enthält nicht mehr die Variable a i Gleichungen (5) und (6) bestehen jeweils aus einer endogenen Variablen (a i bzw. w i ) den echten exogenen Variablen p i, q i Kenntnis von π 1,..., π 6 und den exogenen Variablen p i, q i führt mit (5) und (6) direkt zu E(a i ), E(w i ) (π 1,..., π 6 enthalten Interdependenzen zwischen a i und w i ) 342
15 Definition 11.1: (Strukturelle, reduzierte Form) Die Ausgangsgleichungen (1) und (2) bezeichnet man als strukturelle Form des simultanen Gleichungssystems, während die transformierten Gleichungen (5) und (6) als reduzierte Form bezeichnet werden. Bemerkungen: [I] Die strukturelle Form enthält Verhaltensgleichungen, die meist durch ökonomische Theorie begründet sind Die reduzierte Form enthält auf der rechten Seite nur echte exogene Variablen (das System ist nach den endogenen Variablen aufgelöst) kontemporäre Korrelation der strukt. Form ist beseitigt KQ-Schätzung von π 1,..., π 6 unproblematisch 343
16 Bemerkungen: [II] Aus den Definitionen von π 1,..., π 6 für die reduzierten Gleichungen (3) und (4) folgt für die Parameter des strukturellen Systems (1) und (2): bzw. α = π 1 π 3π 4 π 6, β 1 = π 3 π 6, β 2 = π 2 π 3π 5 π 6 (7) γ = π 4 π 1π 5 π 2, δ 1 = π 5 π 2, δ 2 = π 6 π 3π 5 π 2 (8) (Beweis: Übungsaufgabe) Die KQ-Schätzer ˆπ 1,..., ˆπ 6 implizieren mit (7) und (8) Schätzer für die strukturellen Parameter 344
17 Dependent Variable: ABSATZ Method: Least Squares Date: 01/07/05 Time: 14:40 Sample: 1997:1 2002:4 Included observations: 24 Variable Coefficient Std. Error t-statistic Prob. C WIRKSTOFFPREIS ANZEIGENPREIS R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Dependent Variable: WERBEANZEIGEN Method: Least Squares Date: 01/07/05 Time: 14:41 Sample: 1997:1 2002:4 Included observations: 24 Variable Coefficient Std. Error t-statistic Prob. C WIRKSTOFFPREIS ANZEIGENPREIS R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
18 Definition 11.2: (Indirekte KQ-Schätzer) Die mit den KQ-Schätzern ˆπ 1,..., ˆπ 6 über die Gleichungen (7) und (8) zurückgerechneten Schätzer für die Parameter der strukturellen Form heißen indirekte KQ-Schätzer. Berechnung der IKQ-Schätzer: ˆα IKQ = , ˆβ IKQ 1 = , ˆβ IKQ 2 = ˆγ IKQ = , ˆδ IKQ 1 = , ˆδ IKQ 2 =
19 Bemerkungen: Die IKQ-Schätzer sind konsistent (folgt aus Konsistenz der KQ-Schätzer ˆπ 1,..., ˆπ 6 und dem Slutsky-Theorem) Interpretation der Schätzwerte: IKQ-Schätzwerte ˆβ 1 IKQ, ˆβ 2 IKQ, ˆδ 1 IKQ, ˆδ 2 IKQ spiegeln nur Primäreffekte wider (Auslösung eines Multiplikatoreffektes) Gesamteffekte erhält man aus den KQ-Schätzwerten ˆπ 2, ˆπ 3, ˆπ 5, ˆπ 6 (Parameterschätzungen der reduzierten Form) 347
20 11.3 Identifikation Bisher: Aus den KQ-Schätzern der reduzierten Form ließen sich jeweils eindeutige Schätzer für alle Parameter der strukturellen Form berechnen Frage: Unter welchen Bedingungen ist dies möglich? 348
21 Beispiel 1: [I] (Verkleinertes Werbung-Absatz-Modell) Verzicht auf Anzeigenpreis q i in Gleichung (2) liefert a i = α + β 1 w i + β 2 p i + u i (9) w i = γ + δ 1 a i + v i (10) (strukturelle Form) Reduzierte Form lautet a i = π 1 + π 2 p i + u i (11) w i = π 3 + π 4 p i + v i (12) 349
22 Beispiel 1: [II] mit π 1 = α + β 1γ 1 β 1 δ 1, π 2 = β 2 1 β 1 δ 1, π 3 = γ + δ 1α 1 β 1 δ 1, π 4 = β 2δ 1 1 β 1 δ 1, u i = β 1v i + u i 1 β 1 δ 1, v i = δ 1u i + v i 1 β 1 δ 1 Anzahl von Parametern strukturelle Form: 5 (α, β 1, β 2, γ, δ 1 ) reduzierte Form: 4 (π 1, π 2, π 3, π 4 ) Berechnung aller 5 struktureller Parameter unmöglich 350
23 Beispiel 1: [III] Aus den Formeln für π 1,..., π 4 ergibt sich γ = π 3 π 1π 4 π 2, δ 1 = π 4 π 2 γ, δ 1 sind berechenbar (Gleichung 10) α, β 1, β 2 sind nicht berechenbar (Gleichung 9) nur partiell eindeutige IKQ-Schätzungen 351
24 Beispiel 2: [I] (Erweitertes Werbung-Absatz-Modell) Aufnahme einer Trendvariablen i in Gleichung (1) liefert a i = α + β 1 w i + β 2 p i + β 3 i + u i (13) w i = γ + δ 1 a i + δ 2 q i + v i (14) (strukturelle Form) Reduzierte Form lautet a i = π 1 + π 2 p i + π 3 i + π 4 q i + u i (15) w i = π 5 + π 6 p i + π 7 i + π 8 q i + v i (16) 352
25 Beispiel 2: [II] mit π 1 = α + β 1γ 1 β 1 δ 1, π 2 = β 2 1 β 1 δ 1, π 3 = β 3 1 β 1 δ 1, π 4 = β 1δ 2 1 β 1 δ 1, π 5 = γ + δ 1α 1 β 1 δ 1, π 6 = β 2δ 1 1 β 1 δ 1, π 7 = β 3δ 1 1 β 1 δ 1, π 8 = δ 2 1 β 1 δ 1 Anzahl von Parametern strukturelle Form: 7 (α, β 1, β 2, β 3, γ, δ 1, δ 2 ) reduzierte Form: 8 (π 1,..., π 8 ) keine eindeutige Berechnung aller struktureller Parameter 353
26 Beispiel 2: [III] Z.B. folgt aus den Formeln für π 1,..., π 8 δ 1 = π 6 π 2 und gleichzeitig δ 1 = π 7 π 3 δ 1 nicht eindeutig berechenbar keine eindeutige IKQ-Schätzung für δ 1 354
27 Fazit der 3 Modelle: Im System (1) und (2) sind alle strukturellen Parameter eindeutig bestimmbar Im System (9) und (10) sind nur die strukturellen Parameter γ, δ 1 eindeutig bestimmbar Im System (13) und (14) sind nur die strukturellen Parameter α, β 1, β 2, β 3 eindeutig bestimmbar 355
28 Definition 11.3: (Identifikation) (a) Strukturelle Gleichungen, deren Parameter eindeutig bestimmbar sind, heißen genau identifiziert. (b) Strukturelle Gleichungen, deren Parameter aus Mangel an verbleibenden Bestimmungsgleichungen nicht bestimmbar sind, heißen unteridentifiziert. (c) Strukturelle Gleichungen, deren Parameter aufgrund eines Überflusses an Bestimmungsgleichungen nicht eindeutig bestimmbar sind, heißen überidentifiziert. 356
29 Offensichtlich: Bestimmung der Identifikationsart technisch aufwendig Jetzt: Kriterium zur Bestimmung der Identifikationsart (einfaches Kriterium, aber nicht immer exakt) Dazu: Unterscheidung aller Modellvariablen in system-endogene Variablen system-exogene Variablen (auch prädeterminierte oder vorherbestimmte Variablen) 357
30 Definition 11.4: (Exogene, endogene Variablen) (a) System-exogene Variablen sind Größen, deren Werte außerhalb des Gleichungssystems festgelegt werden. (b) System-endogene Variablen sind Größen, deren Werte innerhalb des Gleichungssystems bestimmt werden. Bemerkungen: [I] Die konstanten Glieder in einer oder mehreren Regressionsgleichungen werden als eine einzige exogene Variable betrachtet (Einser-Spalte in der X-Matrix) 358
31 Bemerkungen: [II] Exogene Größen im erweiterten Werbung-Absatz-Modell: das konstante Glied die Variablen p i, q i, i Endogene Größen im erweiterten Werbung-Absatz-Modell: die Variablen a i, w i Entscheidung, ob eine Variable endogen oder exogen ist, fällt in praxi oft schwer: wird vorgegeben durch ökonomische Theorie liegt im Ermessen des Modellbauers 359
32 Bezeichnungen: K ges = Anzahl der exogenen Variablen im gesamten Gleichungssystem K = Anzahl der exogenen Variablen in der betrachteten Gleichung M = Anzahl der endogenen Variablen in der betrachteten Gleichung Jetzt: Notwendige Bedingung für genaue bzw. Überidentifiziertheit 360
33 Satz 11.5: (Notwendige Bedingung) Falls eine Gleichung eines simultanen Gleichungssystems (a) genau identifiziert ist, so gilt K ges K = M 1, (b) überidentifiziert ist, so gilt K ges K > M 1. Bemerkungen: [I] Es gibt Gleichungssysteme mit unteridentifizierten Gleichungen für die gilt K ges K M 1 Aus der Aussagenlogik folgt jedoch: Falls für eine Gleichung K ges K < M 1 gilt, so muss diese Gleichung unteridentifiziert sein (hinreichende Bedingung für Unteridentifiziertheit) 361
34 Bemerkungen: [II] Eine hinreichende Bedingung für alle Arten von Identifiziertheit liefert das sogenannte Rangkriterium (vgl. Abschnitt ) Eine dem theoretisch exakten Rangkriterium ähnliche Identifikationsregel ist das Ordnungskriterium 362
35 Definition 11.6: (Ordnungskriterium) Das Ordnungskriterium klassifiziert eine Gleichung eines simultanen Gleichungssystems (a) als unteridentifiziert, falls K ges K < M 1, (b) als genau identifiziert, falls K ges K = M 1, (c) als überidentifiziert, falls K ges K > M 1. Bemerkungen: [I] Das Ordnungskriterium ist nicht immer exakt (vgl. 1. Bemerkung nach Satz 11.5, Folie 361) 363
36 Bemerkungen: [II] Die Fälle, in denen das Ordnungskriterium versagt, d.h. tatsächlich unterindentifizierte Gleichungen als genau oder überidentifiziert eingestuft werden, treten in praxi selten auf in praxi wird oft das einfache Ordnungskriterium dem komplizierter zu bestimmendem Rangkriterium vorgezogen (unter Hinnahme eines geringen Fehlerrisikos) 364
37 Bemerkungen: [III] K ges K ist die Anzahl der in der betrachteten Gleichung fehlenden exogenen Variablen M 1 ist die Anzahl der auf der rechten Seite auftauchenden endogenen Variablen das Ordnungskriterium vergleicht innerhalb einer Gleichung die Zahl ausgeschlossener exogener Variablen mit der Zahl rechtsseitiger endogener Variablen 365
38 Beispiele für das Ordnungskriterium: [I] Ursprüngliches Werbung-Absatz-Modell Gleichung (1): K ges = 3, K = 2, M = 2 K ges K = 3 2 = 1 = M 1 Gleichung (1) ist genau identifiziert Gleichung (2): K ges = 3, K = 2, M = 2 K ges K = 3 2 = 1 = M 1 Gleichung (2) ist genau identifiziert 366
39 Beispiele für das Ordnungskriterium: [II] Verkleinertes Werbung-Absatz-Modell Gleichung (9): K ges = 2, K = 2, M = 2 K ges K = 2 2 = 0 < 1 = M 1 Gleichung (9) ist unteridentifiziert Gleichung (10): K ges = 2, K = 1, M = 2 K ges K = 2 1 = 1 = M 1 Gleichung (10) ist genau identifiziert 367
40 Beispiele für das Ordnungskriterium: [III] Erweitertes Werbung-Absatz-Modell Gleichung (13): K ges = 4, K = 3, M = 2 K ges K = 4 3 = 1 = M 1 Gleichung (13) ist genau identifiziert Gleichung (14): K ges = 4, K = 2, M = 2 K ges K = 4 2 = 2 > 1 = M 1 Gleichung (10) ist überidentifiziert 368
41 11.4 Zweistufige KQ-Methode Fazit: Ist eine Gleichung des GLS genau identifiziert, so können alle strukturellen Parameter dieser Gleichung mit der IKQ-Methode konsistent geschätzt werden unteridentifiziert, dann sind die strukturellen Parameter dieser Gleichung nicht konsistent schätzbar überidentifiziert, dann liefert die IKQ-Methode für die strukturellen Parameter dieser Gleichung keine eindeutigen Schätzer 369
42 Jetzt: Es gibt eine allgemeine Schätzmethode, die zweistufige KQ- Methode (ZSKQ-Methode), welche für genau identifizierte Gleichungen dieselben Ergbenisse liefert wie die IKQ-Methode für überidentifizierte Gleichungen eindeutige und konsistente Schätzer liefert Bemerkung: Vgl. den Zusammenhang mit der allgemeinen IV-Schätzung für Einzelgleichungen in Kapitel 9, Folien 304 ff. 370
43 1. Stufe der ZSKQ-Schätzung: [I] Betrachte erweitertes Werbung-Absatz-Modell a i = α + β 1 w i + β 2 p i + β 3 i + u i (17) w i = γ + δ 1 a i + δ 2 q i + v i (18) mit der überidentifizierten Gleichung (18) a i und v i sind kontemporär korreliert KQ-Schätzer sind nicht-konsistent Führe allgemeine IV-Schätzung durch 371
44 1. Stufe der ZSKQ-Schätzung: [II] Mögliche Instrumentvariable für a i : lineare Kombination aller system-exogenen Variablen (Grund: exogene Variablen sind unabhängig von v i ) System-exogene Variablen: p i, i, q i, konstanter Term Instrumentvariable hat die Form z i = µ 1 + µ 2 p i + µ 3 i + µ 4 q i mit optimalen Parametern µ 1,..., µ 4 (möglichst hohe Korrelation zu a i ) 372
45 1. Stufe der ZSKQ-Schätzung: [III] Ermittlung der optimalen Linearkombination über KQ- Schätzung der reduzierten Form (15) für a i a i = µ 1 + µ 2 p i + µ 3 i + µ 4 q i + u i Optimale Parameterwerte lauten also µ 1 = ˆπ 1,..., µ 4 = ˆπ 4 gesuchte Instrumentvariable z i ist somit bzw. mit z i = ˆπ 1 + ˆπ 2 p i + ˆπ 3 i + ˆπ 4 q i z i = â i â i = ˆπ 1 + ˆπ 2 p i + ˆπ 3 i + ˆπ 4 q i 373
46 2. Stufe der ZSKQ-Schätzung: Möglich wäre nun klassische IV-Schätzung (vgl. Definition 9.7, Folie 292) man erhält ˆγ KIV, ˆδ 1 KIV, ˆδ 2 KIV Allerdings gilt bei simultanen Gleichungssystemen aus der Regression KIV-Schätzer = KQ-Schätzer d.h. ˆγ KIV = ˆγ KQ, w i = γ + δ 1 â i + δ 2 q i + v i (19) ˆδ KIV 1 = ˆδ KQ 1, ˆδ KIV 2 = ˆδ KQ 2 374
47 Definition 11.7: (Zweistufige KQ-Schätzer) Die gewöhnlichen KQ-Schätzer der Gleichung (19) heißen Zweistufige-KQ-Schätzer (ZSKQ-Schätzer). Bemerkung: Da die ZSKQ-Schätzer mit den (klassischen) IV-Schätzern übereinstimmen, sind die ZSKQ-Schätzer konsistent 375
48 Zusammenfassendes Beispiel: [I] Erweitertes Werbung-Absatz-Modell struktureller Form a i = α + β 1 w i + β 2 p i + β 3 i + u i (20) w i = γ + δ 1 a i + δ 2 q i + v i (21) und reduzierter Form a i = π 1 + π 2 p i + π 3 i + π 4 q i + u i (22) w i = π 5 + π 6 p i + π 7 i + π 8 q i + vi (23) (vgl. Folien ) 376
49 Zusammenfassendes Beispiel: [II] Wissen aufgrund des Ordnungskriteriums Gleichung (20) ist genau identifiziert Gleichung (21) ist überidentifiziert Schätzung der überidentifizierten Gleichung (21) mit ZSKQ- Methode 377
50 Dependent Variable: ABSATZ Method: Least Squares Date: 01/14/05 Time: 18:54 Sample: 1997:1 2002:4 Included observations: 24 Variable Coefficient Std. Error t-statistic Prob. C WIRKSTOFFPREIS I ANZEIGENPREIS R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Zusammenfassendes Beispiel: [III] 1. Stufe: KQ-Schätzung von (22) liefert IV z i = â i = p i i q i 378
51 Zusammenfassendes Beispiel: [IV] 2. Stufe: KQ-Schätzung von w i = γ + δ 1 â i + δ 2 q i + v i liefert (konsistente) ZSKQ-Schätzer ˆγ ZSKQ = , (vgl. EViews-Output auf Folie 380) ˆδ ZSKQ 1 = , ˆδ ZSKQ 2 =
52 Dependent Variable: WERBEANZEIGEN Method: Least Squares Date: 01/14/05 Time: 19:00 Sample: 1997:1 2002:4 Included observations: 24 Variable Coefficient Std. Error t-statistic Prob. C Z ANZEIGENPREIS R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
53 11.5 Beispiele simultaner Gleichungssysteme Beispiel 1: (GLS mit Lag-Variablen) [I] Betrachte Werbung-Absatz-Modell Vermutung: Werbeumfang der Vorperiode w i 1 beeinflusst aktuellen Absatz a i Absatz der Vorperiode a i 1 beeinflusst aktuellen Werbeumfang w i Modell: a i = α + β 1 w i + β 2 p i + β 3 w i 1 + u i (24) w i = γ + δ 1 a i + δ 2 q i + δ 3 a i 1 + v i (25) 381
54 Beispiel 1: [II] a i 1 und w i 1 sind zum Zeitpunkt i prädeterminiert (d.h. system-exogen) System-endogene Variablen: a i, w i System-exogene Variablen: Konstante, p i, q i, a i 1, w i 1 Ordnungskriterium: Für beide Gleichungen gilt: K ges = 5, K = 3, M = 2 K ges K = 2 > 1 = M 1 beide Gleichungen sind überidentifiziert Parameterschätzungen über ZSKQ-Methode (Übungsaufgabe) 382
55 Beispiel 2: (Keynesianisches Makromodell) [I] Für i = 1,..., N ist C i = α + β Y i + u i (26) Y i = C i + I i (27) mit C = Konsum, Y = Einkommen, I = Investitionen (vgl. Folie 298) Besonderheit: Gleichung (27) enthält keine Störgröße keine Parameter 383
56 Beispiel 2: [II] Wissen aus Kapitel 9, Folien : Separate KQ-Schätzung von (26) ist nicht-konsistent Identifikation (Ordnungskriterium) (27) enthält keine Parameter Für (26) gilt: K ges = 2, K = 1, M = 2 K ges K = 1 = M 1 (26) ist genau identifiziert Parameterschätzung über IKQ- oder ZSKQ-Methode 384
57 11.6 Matrixalgebraische Darstellung Jetzt: Formale Matrix-Darstellung simultaner GLS Strukturelle Form Notation: [I] Betrachte simultanes GLS mit M Gleichungen Bezeichnung der M system-endogenen Variablen: y 1,..., y M bzw. y m mit m = 1,..., M 385
58 Notation: [II] Bezeichnung der K ges = K + 1 system-exogenen Variablen: wobei x 0, x 1,..., x K bzw. x k mit k = 0, 1,..., K x 0 = (Einser-Spalte der X-Matrix)
59 Notation: [III] Gleichung m des Systems: mit y m = α m x 0 + β 1m x 1 + β 2m x β Km x K +γ 1m y γ m 1m y m 1 + γ m+1m y m γ Mm y M + u m (28) u m : Störvektor der Gleichung m α m : Konstante der Gleichung m β km : Koeffizient der k-ten exogenen Variablen in Gleichung m γ jm : Koeffizient der j-ten endogenen Variablen in Gleichung m 387
60 Notation: [IV] Vertauschen der Seiten und Subtraktion von y m auf beiden Seiten von (28) liefert mit 0 0 N 1 und γ mm = 1 γ 1m y 1 + γ 2m y γ Mm y M + α m x 0 +β 1m x 1 + β 2m x β Km x K + u m = 0 (29) Alle M Gleichungen ergeben die strukturelle Form γ 11 y γ M1 y M + α 1 x 0 + β 11 x β K1 x K + u 1 = 0 γ 12 y γ M2 y M + α 2 x 0 + β 12 x β K2 x K + u 2 =. 0 γ 1M y γ MM y M + α M x 0 + β 1M x β KM x K + u M = 0 388
61 Annahmen bzgl. der Störvektoren u 1,..., u M : u 1,..., u M erfüllen alle 4 B-Annahmen Zulassung kontemporärer Korrelation zwischen den Störvektoren verschiedener Gleichungen (vgl. Folie 334) formale Darstellung: Cov(u m ) = E(u m u m ) = σ2 m I N (m = 1,..., M) E(u m u n) = σ mn I N (m = n, m, n = 1,..., M) 389
62 Matrixdarstellung: [I] Zusammenfassung der M Gleichungen der strukturellen Form von Folie 388 in Matrixform Definiere die (N M) bzw. (N K + 1)-Matrizen Y [ y 1 y 2 y M ] = X [ x 0 x 1 x 2 x K ] = y 11 y 12 y 1M y 21 y 22 y 2M.... y N1 y N2 y NM 1 x 11 x 21 x K1 1 x 12 x 22 x K x 1N x 2N x KN 390
63 Matrixdarstellung: [II] Definiere für die m-te Systemgleichung die (M 1) bzw. (K + 1 1) Parametervektoren (m = 1,..., M) γ m γ 1m γ 2m. γ Mm strukturelle Form des GLS und β m α m β 1m β 2m. β Km Yγ 1 + Xβ 1 + u 1 = 0 N 1 Yγ 2 + Xβ 2 + u 2 =. 0 N 1 (30) Yγ M + Xβ M + u M = 0 N 1 391
64 Matrixdarstellung: [III] Noch kompaktere Darstellung der strukturellen Form: Y [ γ 1 γ 2 γ M ] + X [ β1 β 2 β M ] + [ u 1 u 2 u M ] = 0 N M (31) (Nebeneinander-Anordnung der M Gleichungen aus (30)) 392
65 Matrixdarstellung: [V] Weitere kompaktisierende Notationen: γ 11 γ 12 γ 1M Γ [ ] γ 1 γ 2 γ γ M = 21 γ 22 γ 2M.... γ M1 γ M2 γ MM (32) B [ β 1 β 2 β M ] = α 1 α 2 α M β 11 β 12 β 1M β 21. β 22.. β 2M. β K1 β K2 β KM (33) 393
66 Matrixdarstellung: [VI] u 11 u 12 u 1M U [ ] u u 1 u 2 u M = 21 u 22 u 2M.... u N1 u N2 u NM (34) Darstellung der strukturellen Form: YΓ + XB + U = 0 N M (35) 394
67 Beispiel: [I] Erweitertes Werbung-Absatz-Modell (i = 1,..., N) a i = α + β 1 w i + β 2 p i + β 3 i + u i w i = γ + δ 1 a i + δ 2 q i + v i Matrizen für Darstellung in der Form (35) lauten: Y = a 1 w 1 a 2. w 2. a N w N, Γ = [ ] 1 δ1 β 1 1, 395
68 Beispiel: [II] 1 p 1 1 q 1 1 p X = 2 2 q p N N q N, B = α γ β 2 0 β δ 2 u 1 v 1 u, U = 2 v 2.. u N v N (Herleitung: vgl. Übung) 396
69 Reduzierte Form Jetzt: Auflösung der strukturellen Form (35), so dass auf der linken Seite die endogenen Variablen stehen auf der rechten Seite nur exogene Variablen stehen 397
70 Strukturelle Form (35) lautet: mit der YΓ + XB + U = 0 N M (N M)-Matrix Y (enthält endogene Variablen) (N K + 1)-Matrix X (enthält exogene Variablen) (M M)-Parameter-Matrix Γ (K + 1 M)-Parameter-Matrix B (N M)-Störgrößen-Matrix U 398
71 Man beachte: (M M)-Matrix Γ ist quadratisch und regulär es existiert die Inverse Γ 1 Rechtsseitige Multiplikation der strukturellen Form (35) mit Γ 1 und Umstellen liefert Y = XBΓ 1 UΓ 1 (36) 399
72 Notation: [I] Definiere (K + 1 M)-Matrix π 01 π 02 π 0M Π BΓ 1 π = 11 π 12 π 1M.... π K1 π K2 π KM (Π ist eine reine Parameter-Matrix) = [ π 1 π 2 π M ] Definiere (N M)-Matrix V UΓ 1 = v 11 v 12 v 1M v 21. v 22.. v 2M. v N1 v N2 v NM (V ist die Störgrößen-Matrix) = [ v 1 v 2 v M ] 400
73 Notation: [II] die Form (36) geht über in Y = XΠ + V (37) bzw. formuliert als M Gleichungen y 1 = Xπ 1 + v 1 (38) y 2 = Xπ 2 + v 2 (39). y M = Xπ M + v M (40) 401
74 Offensichtlich: Auf der linken Seite von (37) bzw. (38) bis (40) erscheinen nur endogene Variablen Auf der rechten Seite von (37) bzw. (38) bis (40) erscheinen nur exogene Variablen und Störgrößen (37) bzw. (38) bis (40) ist die reduzierte Form des GLS Bemerkung: Die reduzierten Parameter der Gleichung m befinden sich im Parametervektor π m 402
75 Schätzung: Die M Gleichungen (38) bis (40) können separat KQ-geschätzt werden Für die KQ-Schätzung der Gleichung m (m = 1,..., M) gilt π m = (X X) 1 X y m (41) 403
76 Kompaktere Darstellung: Nebeneinander-Anordnung der M Schätzformeln (41) [ π 1 π 2 π M ] = (X X) 1 X [ y 1 y 2 y M ] Mit der Definition Π [ π 1 π 2 π M ] ergibt sich die kompakte Schätzformel Π = (X X) 1 X Y (42) 404
77 Identifikation einer Gleichung Frage: Ist Gleichung m des strukturellen Systems identifiziert? Formale Betrachtung: [I] Betrachte den Term (vgl. Folie 400) Π = BΓ 1 (43) mit den Definitionen (32) und (33) B = [ β 1 β 2 β M ] und Γ = [ γ 1 γ 2 γ M ] von Folie
78 Formale Betrachtung: [II] Rechtsseitige Multiplikation von (43) mit Γ liefert Π [ γ 1 γ 2 γ M ] = [ β1 β 2 β M ] (M Gleichungen) die Form für Einzelgleichung m lautet Πγ m = β m (44) Zusammenhang zwischen strukturellen Parametern der Einzelgleichung m (in γ m, β m ) und allen reduzierten Parametern (in Π) 406
79 Problem der Identifikation: Ist mit bekanntem Π Rückschluss auf unbekannte Vektoren γ m und β m möglich? Zunächst: Ordnungskriterium (Definition 11.6, Folie 363) klassifiziert Gleichung m des Systems als unter-, genau, überidentifiziert anhand der (Variablen)Anzahlen K ges, K m, M m Ordnungskriterium ist nicht immer exakt Exaktes Kriterium für Identifikationsart: Zusammenfassung aus (einfachem) Rangkriterium und Ordnungskriterium 407
80 Einfaches Rangkriterium: [I] Zusammenfassung aller struktureller Parameter des GLS in der Matrix γ 11 γ 21 γ M1 α 1 β 11 β K1 [ Γ B ] γ = 12 γ 22 γ M2 α 2 β 12 β K γ 1M γ 2M γ MM α M β 1M β KM Zeile m von [Γ B ] enthält alle strukturellen Parameter der Gleichung m 408
81 Einfaches Rangkriterium: [II] Erzeugung der Matrix R aus [Γ B ]: Betrachte Zeile m von [Γ B ] Streiche alle Spalten von [Γ B ], bei denen in Zeile m keine Null steht Streiche Zeile m aus [Γ B ] dies ist die (M 1) (K ges K m + M M m )-Matrix R Das einfache Rangkriterium betrachtet den Rang der Matrix R [rang(r)] und vergleicht rang(r) mit M 1 409
82 Bemerkungen: Zum Konzept des Ranges einer Matrix, vgl. Ökonometrie I, Abschnitt 2.3 Berechnung von rang(r) mit geeigneter Software (z.b. EViews, Mathematica etc.) Jetzt: Zusammenfassung von einfachem Rangkriterium und Ordnungskriterium zu einer exakten Identifikationsregel 410
83 Definition 11.8: (Rangkriterium) Die Gleichung m eines simultanen GLS ist (a) genau dann unteridentifiziert, wenn rang(r) < M 1 ist. (b) genau dann genau identifiziert, wenn rang(r) = M 1 und K ges K m = M m 1 gilt. (c) genau dann genau überidentifiziert, wenn rang(r) = M 1 und K ges K m > M m 1 gilt. 411
84 Schätzung mit der IKQ-Methode Annahme: Gleichung m des strukturellen Systems sei genau identifiziert Yγ m + Xβ m + u m = 0 N 1 412
85 Dann: [I] Bildung der reduzierten Form des GLS Y = XΠ + V bzw. formuliert als M Einzelgleichungen y 1 = Xπ 1 + v 1 y 2 = Xπ 2 + v 2. y M = Xπ M + v M 413
86 Dann: [II] Gewöhnliche KQ-Methode liefert Schätzwerte aller reduzierten Parameter in der Matrix Π Berechnung der Schätzwerte für die strukturellen Parametervektoren γ m und β m aus den Schätzwerten Π über die Beziehung (44) von Folie 406: Πγ m = β m 414
87 Bemerkungen: Die IKQ-Methode ist konsistent Die IKQ-Methode liefert keine Schätzungen für unter- bzw. überidentifizierte Gleichungen 415
88 Schätzung mit der ZSKQ-Methode Annahme: Gleichung m des strukturellen Systems sei überidentifiziert Yγ m + Xβ m + u m = 0 N 1 (45) 416
89 Vorbereitende Notation: [I] Zunächst Umordnung der Matrix Y zu mit Y m = [ y m Y (1) m Y (2) m ] y m : endogene Variable der zu schätzenden Gleichung m Y (1) m : weitere in Gleich. m enthaltene endogene Variablen Y (2) m : in Gleichung m nicht enthaltene endogene Variablen 417
90 Vorbereitende Notation: [II] Analoge Umordnung des Parametervektors γ m zu γ m = [ 1 γ (1) m 0 ] mit 1 = γ mm : Parameter für y m γ (1) m : Parameter für endogene Variablen aus Y m (1) 0: (Null)Parameter für fehlende endogene Variablen in m 418
91 Vorbereitende Notation: [III] Gleichung (45) geht über in [ y m Y m (1) Y (2) m ] 1 γ (1) m 0 + Xβ m + u m = 0 N 1 Ausmultiplizieren und Auflösen nach y m ergibt y m = Y (1) m γ (1) m + Xβ m + u m = [ Y (1) m X ] [ γ (1) m β m ] + u m (46) 419
92 1. Stufe der ZSKQ-Methode: [I] Bestimmung der optimalen Linearkombination der Instrumentvariablen über KQ-Schätzung der reduzierten Form (vgl. Folie 373) y 1 = Xπ 1 + v 1 y 2 = Xπ 2 + v 2. y M = Xπ M + v M Zusammenfassung der KQ-Schätungen in der Matrix Π = [ π 1 π 2 π M ] 420
93 1. Stufe der ZSKQ-Methode: [III] Umordnung von Π analog zur Umordnung von Y: mit Π m = [ π m Π (1) m Π (2) m π m : Schätzwerte der reduzierten Form der Gleichung m Π (1) m : Schätzwerte für die weiteren in Gleichung m der strukturellen Form enthaltenen endogenen Variablen Π (2) m : Schätzwerte für alle nicht in Gleichung m der strukturellen Form enthaltenen endogenen Variablen ] 421
94 1. Stufe der ZSKQ-Methode: [IV] Berechnung der geschätzten Werte von Y (1) m : Ŷ (1) m = X Π (1) m 2. Stufe der ZSKQ-Methode: [I] Ersetzung von Y (1) m liefert in der strukturellen Form (46) durch Ŷ(1) m y m = [ [ ] Ŷ(1) m X γ (1) m β m ] + u m (47) 422
95 2. Stufe der ZSKQ-Methode: [II] KQ-Schätung von (47) liefert die ZSKQ-Schätzer für die Parameter der Gleichung m der strukturellen Form (46): γ (1),ZSKQ m β ZSKQ m = [ [ Ŷ(1) m X ] [ Ŷ (1) m X ] ] 1 [ Ŷ(1) m X ] ym = Ŷ(1) m Ŷ(1) m Ŷ(1) m X Ŷ(1) m X X X 1 [ Ŷ(1) m y m X y m ] (48) Bemerkung: Die ZSKQ-Schätzer aus (48) sind konsistent 423
2. 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,
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
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
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
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
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 =
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
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
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:
MehrMehrgleichungsmodelle
1 / 25 Mehrgleichungsmodelle Kapitel 20 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 25 Inhalt SUR, seemingly unrelated regressions Systeme von interdependenten Gleichungen Identifikation
MehrIdentifizierbarkeit von Modellen
Identifizierbarkeit von Modellen Stichwörter: Simultanes Mehrgleichungsmodell Struktur- und reduzierte Form Vollständigkeit Identifizierbarkeit Abzählbedingung Rangbedingung o1-19.tex/0 Interdependente
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
MehrGewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h
5. Die partielle Autokorrelationsfunktion 5.1 Definition, Berechnung, Schätzung Bisher: Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h ρ X (h) = Corr(X t, X
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
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
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
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 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
Mehr7. Integrierte Prozesse
7. Integrierte Prozesse Bisher: Behandlung stationärer Prozesse (stationäre ARMA(p, q)-prozesse) Problem: Viele ökonomische Zeitreihen weisen im Zeitverlauf ein nichtstationäres Verhalten auf 225 Beispiel:
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
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
Mehr05. Lineare Gleichungssysteme
05 Lineare Gleichungssysteme Wir betrachten ein System von m Gleichungen in n Unbestimmten (Unbekannten) x 1,, x n von der Form a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
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
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
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.
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
MehrEigenwerte und Eigenvektoren
Eigenwerte und Eigenvektoren Siehe Analysis (von der Hude, Folie 20: Definition 2.3. Ein Vektor x R n heißt Eigenvektor der quadratischen n n-matrix A zum Eigenwert λ R, wenn gilt Ax = λx Die Eigenwerte
MehrML-Schätzung. Likelihood Quotienten-Test. Zusammenhang Reparametrisierung und Modell unter linearer Restriktion. Es gilt: β = Bγ + d (3.
Reparametrisierung des Modells Gegeben sei das Modell (2.1) mit (2.5) unter der linearen Restriktion Aβ = c mit A R a p, rg(a) = a, c R a. Wir betrachten die lineare Restriktion als Gleichungssystem. Die
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
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
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
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)
Mehr3 Lineare Algebra (Teil 1): Lineare Unabhängigkeit
3 Lineare Algebra (Teil : Lineare Unabhängigkeit 3. Der Vektorraum R n Die Menge R n aller n-dimensionalen Spalten a reeller Zahlen a,..., a n R bildet bezüglich der Addition a b a + b a + b. +. :=. (53
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 +
MehrLudwig von Auer. Ökonometrie. Eine Einführung. Dritte, überarbeitete Auflage mit 65 Abbildungen und 55 Tabellen. < J Springer
Ludwig von Auer Ökonometrie Eine Einführung Dritte, überarbeitete Auflage mit 65 Abbildungen und 55 Tabellen < J Springer Inhaltsverzeichnis 1 Einleitung 1 1.1 Braucht man ökonometriker? 1 1.2 Was ist
MehrBesteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)
Matrizenrechnung. Matrizen Matrizen sind bereits im Kapitel Lineare Gleichungssysteme aufgetreten. Unter einer (m n) -Matrix A verstehen wir ein rechteckiges Zahlenschema mit m Zeilen und n Spalten. Der.
MehrZusammenfassung: Einfache lineare Regression I
4 Multiple lineare Regression Multiples lineares Modell 41 Zusammenfassung: Einfache lineare Regression I Bisher: Annahme der Gültigkeit eines einfachen linearen Modells y i = β 0 + β 1 x i + u i, i {1,,
MehrSchätzung im multiplen linearen Modell VI
Schätzung im multiplen linearen Modell VI Wie im einfachen linearen Regressionsmodell definiert man zu den KQ/OLS-geschätzten Parametern β = ( β 0, β 1,..., β K ) mit ŷ i := β 0 + β 1 x 1i +... β K x Ki,
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
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 Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 1 Einführung Lineare Gleichungen Definition
Mehr1 Lineare Unabhängigkeit Äquivalente Definition Geometrische Interpretation Vektorräume und Basen 6
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik Dr. Thomas Zehrt Vektorräume und Rang einer Matrix Inhaltsverzeichnis Lineare Unabhängigkeit. Äquivalente Definition.............................
MehrNützliches Hilfsmittel (um Schreiberei zu reduzieren): 'Erweiterte Matrix': Gauß- Verfahren
L5.4 Inverse einer Matrix Ausgangsfrage: Wie löst man ein lineares Gleichungsystem (LSG)? Betrachte n lineare Gleichungen für n Unbekannte: Ziel: durch geeignete Umformungen bringe man das LSG in folgende
MehrLineare Regression. Kapitel Regressionsgerade
Kapitel 5 Lineare Regression 5 Regressionsgerade Eine reelle Zielgröße y hänge von einer reellen Einflussgröße x ab: y = yx) ; zb: Verkauf y eines Produkts in Stückzahl] hängt vom Preis in e] ab Das Modell
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
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
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
MehrNützliches Hilfsmittel (um Schreiberei zu reduzieren): 'Erweiterte Matrix': Gauß- Verfahren
L5.4 Inverse einer Matrix Ausgangsfrage: Wie löst man ein lineares Gleichungsystem (LSG)? Betrachte n lineare Gleichungen für n Unbekannte: Ziel: durch geeignete Umformungen bringe man das LSG in folgende
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
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
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
MehrHauptachsentransformation: Eigenwerte und Eigenvektoren
Hauptachsentransformation: Eigenwerte und Eigenvektoren die bisherigen Betrachtungen beziehen sich im Wesentlichen auf die Standardbasis des R n Nun soll aufgezeigt werden, wie man sich von dieser Einschränkung
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
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
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
MehrLudwig von Auer. Ökonometrie. Eine Einführung. 6., durchgesehene und aktualisierte Auflage. Springer Gabler
Ludwig von Auer Ökonometrie Eine Einführung 6., durchgesehene und aktualisierte Auflage Springer Gabler Inhaltsverzeichnis 1 Einleitung 1 1.1 Braucht man ökonometriker? 1 1.2 Was ist Ökonometrie? 2 1.3
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
MehrLineare Regression (Ein bisschen) Theorie
Kap. 6: Lineare Regression (Ein bisschen) Theorie Lineare Regression in Matrixform Verteilung des KQ-Schätzers Standardfehler für OLS Der Satz von Gauss-Markov Das allgemeine lineare Regressionsmodell
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 5 Aufgabe 5.1 Kommutierende Matrizen In der Vorlesung und vergangenen
Mehr3 Elementare Umformung von linearen Gleichungssystemen und Matrizen
3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II. Prof. Dr.
Statistik II Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 2. Parameterschätzung: 2.1 Grundbegriffe; 2.2 Maximum-Likelihood-Methode;
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
MehrFinanzmarkttheorie I. Performancemessung in EViews Übungsunterlage. Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015
Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015 Finanzmarkttheorie I Performancemessung in EViews Übungsunterlage Die vorliegende Unterlage liefert eine kurze Einführung in die Schätzung linearer
MehrViele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung
Kapitel 3 Lineare Abbildungen Lineare Abbildungen sind eine natürliche Klasse von Abbildungen zwischen zwei Vektorräumen, denn sie vertragen sich per definitionem mit der Struktur linearer Räume Viele
MehrMischungsverhältnisse: Nehmen wir an, es stehen zwei Substanzen (zum Beispiel Flüssigkeiten) mit spezifischen Gewicht a = 2 kg/l bzw.
Kapitel 5 Lineare Algebra 51 Lineare Gleichungssysteme und Matrizen Man begegnet Systemen von linearen Gleichungen in sehr vielen verschiedenen Zusammenhängen, etwa bei Mischungsverhältnissen von Substanzen
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
Mehr7., durchgesehene und aktualisierte Auflage
Ludwig von Auer Ökonometrie Eine Einführung 7., durchgesehene und aktualisierte Auflage ^ Springer Gabler Inhalt 1 Einleitung 1 1.1 Braucht man Ökonometriker? 1 1.2 Was ist Ökonometrie? 2 1.3 Die vier
MehrLineare Gleichungssystem
Lineare Gleichungssystem 8. Juli 07 Inhaltsverzeichnis Einleitung Der Gauß-Algorithmus 4 3 Lösbarkeit von Gleichungssystemen 6 Einleitung Wir haben uns bisher hauptsächlich mit dem Finden von Nullstellen
MehrLineare Algebra I (WS 12/13)
Lineare Algebra I (WS 12/13) Bernhard Hanke Universität Augsburg 17.10.2012 Bernhard Hanke 1 / 9 Wir beschreiben den folgenden Algorithmus zur Lösung linearer Gleichungssysteme, das sogenannte Gaußsche
MehrIn allen Fällen spielt die 'Determinante' einer Matrix eine zentrale Rolle.
Nachschlag:Transposition von Matrizen Sei Explizit: Def: "Transponierte v. A": (tausche Zeilen mit Spalten d.h., spiegle in der Diagonale) m Reihen, n Spalten n Reihen, m Spalten z.b. m=2,n=3: Eigenschaft:
Mehr