Lehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Diplomprüfung Ökonometrie im WS 08/09
|
|
- Hilko Vogel
- vor 5 Jahren
- Abrufe
Transkript
1 Aufgabe : [5 Punkte] Ihnen legen 855 Beobachtungen aus dem Current Populaton Survey aus dem Jahr 988 vor. Unter anderem snd folgende Varablen enthalten: wage Lohn n US-Dollar, exper Berufserfahrung n Jahren, educ Schulbldung n Jahren, nonwhte Dummyvarable ( eße(r) und andere ethnsche Zugehörgket), male Dummyvarable ( rau und Mann). Se nteresseren sch für de Determnanten des Lohnes ener Person und schätzen herzu folgendes Modell: log wage β + β exper + β exper + β educ + β nonwhte + β male + ε ( ) 3 5. De Auswertung der Stchprobe ergbt folgenden Output: Call: lm(formula log(wage) ~ exper + I(exper^) + educ + nonwhte + male) Coeffcents: Estmate Std.Err. t value Pr(> t ) (Intercept) < e-6 exper < e-6 I(exper^) < e-6 educ??? < e-6 nonwhte -.3??? -8.8 < e-6 male Sgnf. codes: ***. **. *.5.. Resdual standard error:.5839 on 89 degrees of freedom Multple R-Squared:.337, Adjusted R-squared:??? -statstc:??? on 5 and 89 D, p-value: <.e-6 a) Berechnen Se unter Angabe des Rechenwegs (6 Punkte) a) den geschätzten Koeffzenten für β 3 ; b - t se( ) b3 b 3 3 a) den Standardfehler für b ; b se( b ).9 tb a3) en 95% Konfdenzntervall für b ; - [ b ±.96 se( b )] [.77 ±.96.88] [.597 ;.9] a) das korrgerte R ; N R N K ( ) (.337). 336 R a5) de -Statstk des Gesamtmodells.
2 - R / ( K ) ( R )/( N K ).337 /( 6 ) (.337) /( 855 6) 83.7 b) Se schätzen en weteres Modell ohne exper und exper, das R betrage.953. ühren Se unter Angabe des Rechenwegs auf dem 5%-Nveau enen -Test auf gemensame Sgnfkanz der beden Koeffzenten der Berufserfahrung durch. Geben Se herzu auch de Null- und de Alternatvhypothese sowe den krtschen ert an. ( Punkte) - ( R R )/ J ( R )/( N K ) ( ) / (.337) /( 855 ) 6 : exper exper - H β β H : mndestens ener der beden geschätzten Koeffzenten - 3. krt ; > 3., H wrd abgelehnt. c) Berechnen Se den margnalen Effekt enes zusätzlchen Jahres Berufserfahrung am Stchprobenmttelwert von 8 Jahren und nterpreteren Se desen kurz nhaltlch. (3 Punkte) - ( wage ) log exper.77. exper Am Stchprobemttelwert von 8 Jahren Berufserfahrung geht c.p. en weteres Jahr Berufserfahrung mt gut % höherem erwartetem Lohn enher. d) Interpreteren Se den Koeffzenten b 5 nhaltlch und statstsch. ( Punkt) - Der mttlere Lohn st für Männer unter sonst glechen Bedngungen m Vgl. zum Lohn für rauen um über 8% höher (exakt: exp(.8)-., also gut %) - Der Koeffzent st auf dem 5%-Sgnfkanznveau statstsch sgnfkant von Null verscheden, (genauer: auf dem %-Nveau sgnfkant, da p-ert von.7). ε. e) Se vermuten, dass de ehlertermvaranz mt Bldung varert: var( ) σ educ e) Man kann de Schätzglechung so transformeren, dass homoskedastsche ehlerterme resulteren. Stellen Se am Bespel dese Transformaton dar und zegen Se formal de Auswrkung auf de Varanz des Störterms. ( Punkte) - Modell transformeren, ndem alle Varablen mt educ multplzert werden: - ( wage ) log educ β exper exper educ nonwhte + β + β + β3 + β + β5 educ educ educ educ educ male educ + ε educ - Varanz des transformerten Störterms st homoskedastsch: var ε var educ educ { ε } σ educ σ educ e) elche wetere Möglchket haben Se, um dem Problem heteroskedastscher ehlerterme zu begegnen? Benennen Se dese und geben Se je enen Vor- und Nachtel an. (3 Punkte) - Berechnung von hte-korrgerten Standardfehlern
3 (ncht erwartet) mttels ar ˆ { } - Vortel(e): N N N v b x x e x x x x, wobe e der KQ-Störterm st. n n n. De Korrektur kann angewendet werden, ohne de genaue orm der Heteroskedaste zu kennen, es st also en allgemen anwendbares Verfahren. oder. De Korrektur kann aus KQ-Schätzwerten berechnet werden. - Nachtel: Kennt man de genaue orm der Heteroskedaste, so snd andere Schätzer, we z.b. der GLS- Schätzer, effzenter als KQ mt hte-standardfehlern. f) Se vermuten weterhn, dass en Spezfkatonsproblem vorlegen könnte und wollen des mt enem RESET-Test überprüfen. Erläutern Se am Bespel zunächst de Vorgehenswese deses Tests und beschreben Se de zugrunde legende Test-Idee. ( Punkte) - Vorgehenswese: KQ schätzen, vorhergesagte erte berechnen, Polynom blden und als Regressoren mt ns Modell aufnehmen, z. B. log ( wage ) β + β exper + β exper + β educ + β nonwhte + β male + β predct( log( wage )) + ε 3 5 6, anschleßend β 6 per t- oder -Test auf statstsche Sgnfkanz testen. Besteht dese, st das Modell fehlspezfzert. - Test-Idee: Solange de vorhergesagten erte noch Erklärungsgehalt haben, st der Erklärungsgehalt von X noch ncht vollständg ausgeschöpft. Aufgabe : [8 Punkte] Se untersuchen den Zusammenhang zwschen Arbetslosgket und Armut anhand von Jahresdaten für den Zetraum von 98 bs 3. Se schätzen folgendes Modell: povertyt β + βunempl t + ε t, mt poverty t Armutsrate n Jahr t, n %, unempl t Arbetslosgketsrate n Jahr t, n %. a) Se vermuten, dass de Störterme autokorrelert sen könnten. Der geschätzte Autokorrelatonskoeffzent ρˆ betrage.876. Approxmeren Se de Teststatstk des Durbn-atson Tests und testen Se auf dem 5% Nveau, ob postve Autokorrelaton erster Ordnung vorlegt. Geben Se herzu auch de Nullhypothese, de Alternatvhypothese sowe de rehetsgrade und de krtschen erte an. (5 Punkte) - dw ˆ ρ H ρ ; H : ρ : > - mt den rehetsgraden K (nkl. Konstante) und T Beobachtungen erhält man: d L.7 ; d U < dw <.5. De Teststatstk legt m Inkonklusonsberech, es kann also am 5%-Nveau kene Aussage über postve Autokorrelaton erster Ordnung gemacht werden. b) e ändern Se das Testprozedere, wenn zusätzlch de verzögerte abhängge Varable als Regressor m Modell berückschtgt wrd? Erläutern Se Ihre Vorgehenswese. (3 Punkte) 3
4 - Asymptotscher Test: De Resduen aus t, ε t, werden regressert auf unempl t, poverty t- sowe ε t- ; - Zwe Alternatven: ) Mt enem t-test kann sodann getestet werden, ob der Koeffzent zu ε t-, ρ, statstsch sgnfkant von Null verscheden st; des würde auf Autokorrelaton schleßen lassen. ) R der Hlfsregresson heranzehen und Teststatstk (T-) R berechnen. Dese st χ -vertelt mt enem rehetsgrad. Ist de Teststatstk größer als der krtsche ert, wrd H : ρ verworfen. Aufgabe 3: [5 Punkte] Se wollen den Zusammenhang zwschen Abturnoten (Abnote ) und amlenenkommen (amenk ) untersuchen und formuleren herzu das folgende Modell: Abnote β + βamenk + υ. Se vermuten, dass das amlenenkommen durch de enzg beobachtbare Varable H (Haushaltsenkommen) fehlerhaft gemessen wrd: H amenk + u. Es gelte herbe, dass υ und u sowe amenk und u unkorrelert snd. a) Zegen Se kurz, welche Auswrkung der Messfehler n der erklärenden Varable auf de Kovaranz zwschen geschätztem ehlerterm des Modells und erklärender Varable hat; unterstellen Se herfür enen postven Enfluss des amlenenkommens auf de Abturnote. (3 Punkte) - Unter Beachtung des Messfehlers lautet de unkton Abnote ( H u ) + υ β + β H + υ β u β + β H + β + β ε - E{ H ε } E{ ( amenk + u )( υ β u )} β σ... u - Be postvem Enfluss des amlenenkommens auf de Abturlestung, β >, snd H und ε negatv mtenander korrelert. b) Erläutern Se kurz de Auswrkungen des Messfehlers auf den KQ-Schätzer. ( Punkte) - Der KQ-Schätzer st nkonsstent. - attenuaton bas : (ncht erwartet:) plm b σ u β, mt σ u > folgt b < β. σ amenk + σ u - Verzerrung zur Null hn, wahrer Effekt wrd unterschätzt. ε Aufgabe : [ Punkte] Se nteresseren sch für de Determnanten des Monatsverdenstes enes Abturenten. Ihnen legen dazu Daten über de Punktezahl m Abturzeugns S und das Alter A vor. Se wollen folgendes Modell schätzen: β + β S + β A + ε. Se vermuten, dass m vorlegenden all de Varable Punktezahl m Abturzeugns endogen st und beschleßen, enen IV-Schätzansatz anzuwenden.
5 a) Stellen Se de dre Momentenbedngungen für den IV-Schätzer auf und erläutern Se nhaltlch, warum her möglcherwese ene Instrumentvarable benötgt wrd. ( Punkte) - E{ ε } E{ β β S β A } - E{ ε A } E{ ( β β S β A ) A } - E{ ε z } E{ ( β β S β A ) z } - Es könnte sen, dass en weterer, unbeobachteter aktor, der m ehlerterm aufgefangen wrd, sowohl Schulbldung als auch Verdenst beenflusst (z.b. Dszpln, Motvaton), damt aber wäre de Schulbldung mt dem ehlerterm korrelert, der KQ-Schätzer wäre nkonsstent. b) Erläutern Se kurz den zentralen Untersched zwschen dem IV-Schätzer und dem GIVE-Schätzer. ( Punkt) - IV: Ene Instrumentvarable pro endogener Varable - GIVE: Mehrere Instrumentvarablen pro endogener Varable (ncht erwartet: de mt unterschedlcher Gewchtung n de Schätzung enbezogen werden). c) Als Instrumentvarablen stehen Ihnen de Schulbldung der Mutter M, de Schulbldung des Vaters, V, sowe de Entfernung des ohnorts zum nächsten Gymnasum, E, zur Verfügung. E hat sch als Instrumentvarable für de vorlegende ragestellung bewährt. e gehen Se vor, um de Egnung von M und V als Instrumente zu überprüfen? (5 Punkte) - Voraussetzung: Der IV-Schätzer st mt E dentfzert, R K, des st per Annahme gegeben. - GIVE-Schätzung mt allen Instrumenten; Hlfsregresson der Resduen auf alle Instrumente und Berechnen der Teststatstk, ξ R, aus R der Hlfsregresson; anschleßend GIVE-Schätzung mt den als valde bekannten Instrumenten und Bestmmen von ξ R aus analoger Hlfsregresson der Resduen auf de R Bedngungen; - De Teststatstk für de R R unscheren Instrumente kann dann berechnet werden als ξ R ξ R ; - ξ R ξ R st unter H ( Vorlegen von R gültgen Momentenbedngungen) also rehetsgraden. χ -vertelt mt R R, her - rd H abgelehnt, so st das Modell ncht überdentfzert, es kann aber ncht gesagt werden, ob M oder V oder bede ungültge Instrumente snd. Aufgabe 5: [ Punkte] Se nteresseren sch für den Enfluss des Stundenlohns auf das Arbetsangebot. Se formuleren herzu folgendes Modell: log ( hrst ) α + β log ( waget ) + βmale + ε, t wobe hrs Arbetsstunden pro Jahr, wage Bruttostundenlohn, male Dummyvarable (, wenn Person en Mann, sonst). Panel-Analysen mt Daten von 53 Erwerbstätgen, de von 989 bs 998 befragt wurden, ergeben folgende Schätzergebnsse (Standardfehler n Klammern): () () (3) () pooled between fxed effects random effects constant.8*** 3.3*** 3.3*** (.) (.38) (.3) 5
6 log(wage).33**.38**.5*.8** (.55) (.68) (.6) (.58) male.***.5***.37*** (.6) (.7) (.3) a) Interpreteren Se den geschätzten Koeffzenten des fxed effects Modells für β statstsch und nhaltlch. ( Punkte) - Elastztät, da logarthmerte erte auf beden Seten der Glechung - Stegt der Lohn um %, so stegt das Arbetsangebot um gut.%. - Der Koeffzent st auf dem %-Nveau statstsch sgnfkant von Null verscheden. b) Erläutern Se formal z.b. für en Modell mt zwe Peroden, weso be der fxed effects Schätzung kene Koeffzenten für male ausgewesen werden. ( Punkte) - Informatonsbass und Grundlage für den fxed effects Schätzer st de Varaton über de Zet. Damt folgt aber, dass zetkonstante Größen heraus gerechnet werden: log ( hrs ) α + β log( wage ) + βmale + ε log( hrs) α + β log( wage) + βmale + ε log ( hrs ) log( hrs ) β ( log( wage ) log( wage) ) + ε ε c) eso können sch de Ergebnsse der between und fxed effects Schätzung für β unterscheden? ( Punkte) - Der between-schätzer basert auf gemttelten Daten über alle Beobachtungen ; der fxed effects-schätzer auf Abwechungen vom ndvduellen Mttelwert; - Be unterschedlcher Datengrundlage können unterschedlche Ergebnsse zustande kommen. d) De Teststatstk enes her relevanten Hausman Tests se Geben Se de Nullhypothese sowe de Anzahl der rehetsgrade an und testen Se auf dem % Sgnfkanznveau, ob der random effects oder der fxed effects Schätzer heranzuzehen st. ( Punkte) - H : b E b RE ; oder H : cov(α, log(wage )) - Anzahl der rehetsgrade krt - χ < 6.635, H wrd ncht verworfen, d.h. es sollten de Schätzergebnsse des random effects Modells herangezogen werden. Aufgabe 6: [5 Punkte] ahr oder falsch? Tragen Se für jede der folgenden Aussagen en w für wahr oder en f für falsch en. ür jede rchtge Antwort gbt es.75 Punkte, für jede falsche Antwort werden.75 Punkte abgezogen. De Gesamtpunktzahl kann ncht negatv werden. En Spaltenvektor ergbt sch als de Quadratwurzel enes Zelenvektors. Der "PE Test" verwendet t-teststatstken. En Parameterschätzer st effzent, wenn er gegen senen Erwartungswert konvergert. De Varanz des KQ-Schätzers lässt sch auf Bass von Informaton über de Störtermvaranz und de XX Matrx berechnen. 6
7 Der Pras-nsten-Schätzer basert auf transformerten Daten ohne Berückschtgung der ersten dre Beobachtungen. In en Modell mt logarthmerter abhängger Varable können kene Dummy-Varablen als erklärende Varablen engefügt werden. Der Goldfeld-Quandt Test st en Test auf de Glechhet der Varanz zweer Telstchproben. De Normalvertelung st ene symmetrsche Vertelungsfunkton. rd de Nullhypothese des Sargan-Tests verworfen, so st der Störterm heteroskedastsch. GMM Verfahren benötgen Vertelungsannahmen für de abhängge Varable. ür de Vorhersage von y spelt es ene Rolle, ob das Modell lnear oder loglnear geschätzt wrd. Der RESET Test nutzt urzeln der Resduen, um en Modell auf ehlspezfkaton zu überprüfen. Be Messfehlern n der abhänggen Varable snd de Parameterschätzer zu groß. Legen n enem Modell statt ener dre endogene Varable vor, so recht ene zusätzlche Instrumentvarable aus, um das Problem zu lösen. Monte Carlo Studen erfordern Paneldatensätze. Das "nonlnear least squares" Verfahren erlaubt es, solche Spezfkatonen zu schätzen, de nchtlnear n den Parametern snd. Modelle n reduzerter orm enthalten auf der rechten Sete kene endogenen erklärenden Varablen. Newey-est Standardfehler korrgeren für Heteroskedaste unbekannten Ursprungs ebenso we für Autokorrelaton. De Nullhypothese H : β c wrd be 5 rehetsgraden am 5 Prozentnveau verworfen, wenn als Teststatstk der t-ert größer als.79 st. Enthält das lneare Regressonsmodell ene verzögerte endogene Varable (y t- ), dann sollte für den Test auf Autokorrelaton erster Ordnung des Störterms der Durbn-atson Test verwendet werden. enn autokorrelerte Störterme vorlegen, st der easble-gls Schätzer BLUE. ür das Ergebns enes Chow-Tests st es unerheblch, ob de Störmtermvaranz korrekt spezfzert st. Vom least squares dummy varables Schätzer sprcht man, wenn be Vorlegen von Paneldaten Dummy-Varablen für de Peroden n das Modell aufgenommen werden. Das angepasste R ener Schätzung kann ncht negatv werden. De Standardnormalvertelung hat enen Erwartungswert von Null. An der Parametermtte sagt en KQ-Schätzer den effzenten ert vorher. enn statt enes Cochrane-Orcutt Schätzers en teratver Cochrane-Orcutt Schätzer verwendet wrd, stegt de Effzenz der Schätzung von ρ. Be movng average Prozessen m Störterm snd alle Elemente der Varanz-Kovaranz Matrx des Störterms von Null verscheden. Im Gegensatz zum KQ-Schätzer optmeren GMM (generalzed method of moments) Schätzer ene quadratsche Zelfunkton. Durch das Hnzufügen weterer erklärender Varablen kann der angepasste R ert snken. Das BIC Krterum fällt umso günstger aus, je klener de ehlerquadratsumme be gegebener Parameter- und Beobachtungszahl st. Postve Autokorrelaton kommt seltener vor als negatve. 7
8 De Summe quadrerter, standardnormalvertelter Zufallsvarablen st Ch-quadrat vertelt. AR() Störterme snd heteroskedastsch. Smultane Glechungssysteme n struktureller orm können mt dem KQ-Schätzer unverzerrt geschätzt werden, solange jede Glechung enzeln betrachtet wrd. Der Durbn-atson Test verallgemenert den PE Test. Im lnearen Regressonsmodell wrd unterstellt, dass de abhängge Varable ene Zufallsvarable st. Der Durbn-u-Hausman Test auf Endogentät ener erklärenden Varablen wrd durchgeführt, ndem der Regressonsglechung ene zusätzlche erklärende Varable hnzugefügt wrd. De Annahme der statstschen Unabhänggket zweer Zufallsvarablen st stärker als de Annahme mttlerer bedngter Unabhänggket, also z.b. E{u X}. Mthlfe hedonscher Presfunktonen lassen sch enzelne Egenschaften enes Gutes bewerten. Je nach ahl der Gewchtungsmatrx des GMM Schätzers ergeben sch unterschedlche, aber stets konsstente Schätzer. Der Breusch-Pagan Test auf Heteroskedaste st ene Verallgemenerung des Durbn-atson Tests. Auch be exakter Multkollneartät kann der Klenstquadrateschätzer unverzerrt geschätzt werden. Mthlfe enes lnearen Regressonsmodells lassen sch Elastztäten schätzen. De Inkonsstenz enes Stegungsparameters führt zur Inkonsstenz der glechzetg geschätzten Regressonskonstanten. De Dchtefunkton der t-vertelung hat hr Mnmum be,96. Das Auslassen ener relevanten erklärenden Varablen kann zu verzerrten Schätzern führen. Der nchtlneare Klenstquadrateschätzer bestmmt dejengen Parameter, de de Summe der quadrerten Störterme mnmeren. Auf Bass lnearer Modelle geschätzte Koeffzenten können ne als Kausaleffekte nterpretert werden. Damt der fxed effects-schätzer konsstent st, müssen de erklärenden Varablen strkt exogen sen. Mt stegender Zahl von rehetsgraden konvergert de t-vertelung zur Normalvertelung. De krtschen erte des Durbn-atson-Tests snd für Tests auf postve Autokorrelaton erster Ordnung anwendbar. Um k Parameter zu dentfzeren, benötgt man k- Momentenbedngungen. De wthn Transformaton modfzert alle Beobachtungen, ndem der ndvduelle Störterm von den erklärenden Varablen abgezogen wrd. Be der Abletung des KQ-Schätzers m lnearen Modell erhält man so vele Normalglechungen we Beobachtungen vorlegen. Zur Unverzerrthet des fxed effects-schätzers st kene Aussage möglch. Je nachdem, ob de Schätzung mt oder ohne Konstante durchgeführt wrd, sprcht man be Paneldaten von fxed oder random effects Schätzungen. Das R st n Modellen mt großer Beobachtungszahl größer als be Modellen mt klener Beobachtungszahl. De optmale Gewchtungsmatrx des GMM Modells entsprcht der Varanz-Kovaranzmatrx der abhänggen Varablen. Der quadrerte Korrelatonskoeffzent für de abhängge Varable und hren vorhergesagten ert st mmer größer als das R der zugehörgen Schätzung. 8
9 Aufgabe 7: [5 Punkte] ahr oder falsch? Begründen Se Ihre Auffassung (Bsp.: "Stmmt, wel..." bzw. "Stmmt ncht, wel..."). Nur be korrekter Begründung erhält jede rchtge Antwort.5 Punkte; Angaben ohne Begründung werden ncht gewertet. Be Paneldaten st der between-schätzer neffzent. De zetlche Varaton wrd ncht berückschtgt, d.h. es werden ncht alle Informatonen genutzt. Bem random effects Modell besteht der Störterm aus zwe Zufallsvarablen. En Tel des Störterms st en ndvduenspezfscher Term, der als Zufallsvarable geschätzt wrd. Der KQ-Schätzer m enfachen Modell mnmert de Abstände zwschen y und senen vorhergesagten erten. Der KQ-Schätzer mnmert de quadrerte Summe der Resduen. De Parameter 3 β m Modell ( ) j g x, β β x x lassen sch ncht per KQ schätzen. β Mttels Logarthmerung kann das Modell lnearsert und mt KQ geschätzt werden. Alle ragestellungen der Querschnttsdaten können auch mt Paneldatenanalyse beantwortet werden. Mt Paneldaten kann de Panel-, d.h. Zetdmenson genutzt werden, muss aber ncht. Das krtsche Sgnfkanznveau ensetger Hypothesentests varert mt der Beobachtungszahl. Das Sgnfkanznveau wrd exogen festgelegt. De Berückschtgung ener verzögerten endogenen Varable als erklärende Varable kann zur Inkonsstenz des KQ-Schätzers führen. enn glechzetg Autokorrelaton vorlegt; dann automatsch Korrelaton der erklärenden Varable mt dem Störterm. Der Durbn-atson Test st en -Test auf de Sgnfkanz der Koeffzenten von Polynomen der vorhergesagten abhänggen Varable. Der beschrebene Test st der RESET-Test. Oder: Der Durbn-atson Test testet H : ρ z.b. über den bounds-test. Be gegebenem N st de ahrschenlchket enes Typ II ehlers umso höher, je nedrger de ahrschenlchket enes Typ I ehlers. En Typ II ehler kann nur gemacht werden, wenn H ncht verworfen wrd. ällt α, stegt dese ahrschenlchket. Der Cochrane-Orcutt Schätzer nutzt mehr Beobachtungen als der Pras-nsten Schätzer. Umgekehrt, Pras-nsten macht z.b. t nutzbar. β 9
Ihnen liegen Beobachtungen aus dem Current Population Survey aus dem Jahr 1988 vor. Unter anderem sind folgende Variablen enthalten:
Aufgabe 1: [25 Punkte] Ihnen legen 28155 Beobachtungen aus dem Current Populaton Survey aus dem Jahr 1988 vor. Unter anderem snd folgende Varablen enthalten: wage exper educ nonwhte male Lohn n US-Dollar,
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Diplomprüfung Ökonometrie im WS 07/08
Lehrstuhl für Statstk und emp. rtschaftsforschung, Prof. Regna T. Rphahn, Ph.D. Musterlösung zur Dplomprüfung Ökonometre m S 07/08 Aufgabe : [3.5 Punkte] Se nteresseren sch für de Determnanten der Anzahl
MehrDiplomprüfung im Fach Ökonometrie im SS 06 - Aufgabenteil
Lehrstuhl für Statstk und emprsche Wrtschaftsforschung Prof. Regna T. Rphahn, Ph.D. Dplomprüfung m Fach Ökonometre m SS 06 - Aufgabentel Name, Vorname Matrkelnr. Studengang Semester Datum 31.07.2006 Raum,
MehrDiplomprüfung im Fach Ökonometrie im WS 06/07 - Aufgabenteil
Lehrstuhl für Statstk und emprsche Wrtschaftsforschung Prof. Regna T. Rphahn, Ph.D. Dplomprüfung m Fach Ökonometre m WS 06/07 - Aufgabentel Name, Vorname Matrkelnr. Studengang Semester Datum Raum, Stzplatz-Nr.
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
MehrKurs 9.3: Forschungsmethoden II
MSc Bankng & Fnance Kurs 9.3: Forschungsmethoden II Zetrehenanalyse Lernsequenz 08: Enführung Panelregresson Dezember 2014 Prof. Dr. Jürg Schwarz Inhaltsverzechns Fole 2 Paneldaten 3 Arten von Stchproben...
MehrBachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D.
Lehrstuhl für Statstk und emprsche Wrtschaftsforschung, SS 9 Fach: Prüfer: Bachelorprüfung Praxs der emprschen Wrtschaftsforschung Prof. Regna T. Rphahn, Ph.D. Name, Vorname Matrkelnr. E-Mal Studengang
MehrBachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D.
Lehrstuhl für Statstk und emprsche rtschaftsforschung, SS 009 ach: Prüfer: Bachelorprüfung Praxs der emprschen rtschaftsforschung Prof. Regna T. Rphahn, Ph.D. Name, Vorname Matrkelnr. E-Mal Studengang
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Diplomprüfung Ökonometrie im WS 06/07
Lehrstuhl für Statstk und emp. rtschaftsforschung, Prof. Regna T. Rphahn, Ph.D. Musterlösung zur Dplomprüfung Ökonometre m S 06/07 Aufgabe 1: [3 Punkte] Se nteresseren sch für ohnungslosgket und hre Determnanten.
MehrMehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren
Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung
Lehrstuhl für Statstk und emp. Wrtschaftsforschung, Prof. R. T. Rphahn, Ph.D. Bachelorprüfung, Praxs der emprschen Wrtschaftsforschung Fach: Prüfer: Bachelorprüfung Praxs der emprschen Wrtschaftsforschung
MehrKlausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A
Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen
MehrEmpirische Wirtschaftsforschung
Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung
MehrP[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)
Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrKurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit
BINARY CHOICE MODELS 1 mt Pr( Y = 1) = P Y = 0 mt Pr( Y = 0) = 1 P Bespele: Wahlentschedung Kauf langlebger Konsumgüter Arbetslosgket Schätzung mt OLS? Y = X β + ε Probleme: Nonsense Predctons ( < 0, >
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrMasterprüfung SS 2017
Lehrstuhl für Statstk und emprsche Wrtschaftsforschung Prof. Regna T. Rphahn, Ph.D. Masterprüfung SS 07 Fach: Ökonometre Prüfer: Prof. Regna T. Rphahn, Ph.D. Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrMasterprüfung SS 2016
Lehrstuhl für Statstk und emprsche Wrtschaftsforschung Prof. Regna T. Rphahn, Ph.D. Masterprüfung SS 06 Fach: Ökonometre Prüfer: Prof. Regna T. Rphahn, Ph.D. Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
MehrTeil E: Qualitative abhängige Variable in Regressionsmodellen
Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
Mehr3 Multiple lineare Regression
3.1 Modell und Statstk 34 3 Multple lneare Regresson 3.1 Modell und Statstk a Zusammenhang zwschen ener Zelgrösse Y und mehreren Engangsgrössen X (1), X (2),..., X (m) Y = β 0 + β 1 x (1) + β 2 x (2) Parameter:
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 8. Übung (08.01.2008) Agenda Agenda Verglech Rasch-Modell vs. 2-parametrsches logstsches Modell nach Brnbaum 2PL-Modelle n Mplus Verglech
Mehr1.1 Technische Vorbemerkungen. Kapitel 1: Einführung. Vorlesung 2 SWS, Übung 1 SWS. - Vorlesung (Riphahn): Mo. und Mi. 8:00-09:30
Kaptel : Enführung. Technsche Vorbemerkungen Vorlesung SWS, Übung SWS. Technsche Vorbemerkungen. Inhaltlche Glederung und Zele der Veranstaltung - Vorlesung (Rphahn): Mo. und M. 8:00-09:30 - Übung (Eschelbach):
MehrMultivariate Analysemethoden
Multvarate Analysemethoden q-q-plot Methode zur Prüfung der Multvaraten Normalvertelung Günter Menhardt Johannes Gutenberg Unverstät Manz Prüfung der NV-Annahme Vertelungsanpassung/Prüfung Prüfung der
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
Mehr-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell
Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte
MehrLineare Regression - Mathematische Grundlagen
FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr
Mehr(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y
5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
MehrLineare Regression Teil des Weiterbildungskurses in angewandter Statistik
0 Lneare Regresson Tel des Weterbldungskurses n angewandter Statstk der ETH Zürch Folen Werner Stahel, September 2017 1.1 Bespele zur lnearen Regresson 1 1 Enführung n de statstsche Regressonsrechnung
MehrKapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104
Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
MehrItemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i
Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
MehrHydrologie und Flussgebietsmanagement
13.11.010 Hydrologe und Flussgebetsmanagement o.unv.prof. DI Dr. H.P. Nachtnebel Insttut für Wasserwrtschaft, Hydrologe und konstruktver Wasserbau Glederung der Vorlesung Statstsche Grundlagen Extremwertstatstk
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik
Grundlagen sportwssenschaftlcher Forschung Deskrptve Statstk Dr. Jan-Peter Brückner jpbrueckner@emal.un-kel.de R.6 Tel. 880 77 Deskrptve Statstk - Zele Beschreben der Daten Zusammenfassen der Daten Überblck
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
MehrKapitel 3: Interpretation und Vergleich von Regressionsmodellen
Kaptel 3: Interpretaton und Verglech von Regressonsmodellen 3. Interpretaton des lnearen Modells 3. Auswahl der unabhänggen Varablen 3.3 Fehlspezfkaton der funktonalen Form 3.4 Illustraton: De Erklärung
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Bachelorprüfung, Praxis der empirischen Wirtschaftsforschung
Lehrstuhl ür Statstk und emp. Wrtschatsorschung, Pro. R. T. Rphahn, Ph.D. Bachelorprüung, Praxs der emprschen Wrtschatsorschung Augabe 1: [11 Punkte] Se vermuten, dass das Nveau der Wohnungsmeten n Unverstätsstädten
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrStatistische Methoden für Bauingenieure WS 13/14
Statstsche Methoden ür Baungeneure WS 3/4 Enhet 3: Bvarate Zuallsvarablen Unv.Pro. Dr. Günter Blöschl Bezechnungen... Zuallsvarable... Realsaton konkrete Werte Momente Grundgesamthet Mttelwert,Varanz Stchprobe
MehrAnalyse von Querschnittsdaten. Bivariate Regression
Analse von Querschnttsdaten Bvarate Regresson Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum 3.0.2004 20.0.2004 27.0.2004 03..2004 0..2004 7..2004
Mehr5. ZWEI ODER MEHRERE METRISCHE MERKMALE
5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrDie hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)
ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.
Mehr14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.
14 Schätzmethoden Egenschaften von Schätzungen ˆθ Se ˆθ n ene Schätzung enes Parameters θ, de auf n Beobachtungen beruht. ˆθn n θ Konsstenz (Mnmalforderung) Eˆθ n = θ Erwartungstreue Eˆθ n n θ Asymptotsche
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
Mehr2.1 Einfache lineare Regression 31
.1 Enfache lneare Regresson 31 Regressonsanalyse De Regressonsanalyse gehört zu den am häufgsten engesetzten multvaraten statstschen Auswertungsverfahren. Besonders de multple Regressonsanalyse hat große
MehrNullstellen Suchen und Optimierung
Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,
MehrDYNAMISCHE PANEL-MODELLE
UIVERSIÄ IE ISIU FÜR VOLKSIRSCHAFSLEHRE MAI 005 SEMIARARBEI DAMISCHE PAEL-MODELLE BEARBEIE VO SEPHA SHARMA (0008897 FÜR 30063 ÖKOOMERISCHE MEHODE FÜR PAELDAE LEHRVERASALUGS-LEIER: PROF ROBER KUS IHALSVERZEICHIS
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrAufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):
LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrANOVA (Analysis of Variance) Varianzanalyse. Statistik Methoden. Ausgangssituation ANOVA. Ao.Prof.DI.Dr Josef Haas
Ao.Prof.DI.Dr Josef Haas josef.haas@medungraz.at ANOVA (Analyss of Varance) Varanzanalyse Statstk Methoden Verglech von Mttelwerten Ao.Unv.Prof.DI.Dr. Josef Haas josef.haas@medungraz.at Ausgangsstuaton
MehrStatistik Exponentialfunktion
! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:
MehrStatistik der Extremwertverteilungen
KAPITEL 6 Statstk der Extremwertvertelungen In desem Kaptel beschäftgen wr uns mt statstschen Anwendungen der Extremwertvertelungen. Wr werden zwe verschedene Zugänge zur Modellerung von Extremwerten betrachten.
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
MehrGrundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt
Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
Mehr1 BWL 4 Tutorium V vom 15.05.02
1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
Mehr(Essentiell) τ-äquivalente Tests:
(Essentell) τ-äquvalente Tests: τ-äquvalenz: Essentelle τ-äquvalenz: τ τ τ τ +λ Repräsentatonstheore (Exstenzsatz): De Tests,..., snd genau dann τ-äquvalent, wenn ene reelle Zufallsvarable η sowereellekonstantenλ,...,
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
Mehrz.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!
Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf
MehrKapitel 4. Eigenschaften von OLS-Schätzfunktionen
Kaptel 4 Egenschaften von OLS-Schätzfunktonen De Mathematk st ene Art Spelzeug, welches de Natur uns zuwarf zum Troste und zur Unterhaltung n der Fnsterns. (Jean le Rond d Alembert, 1717-1783) Wr haben
MehrAnhang 9. Bias in ökologischen Studien bei nichtlinearen Risikomodellen
Anhang 9 Bas n ökologschen Studen be nchtlnearen Rskomodellen Bas n ökologschen Studen be nchtlnearen Rskomodellen J.C. Kaser GSF - Insttut für Strahlenschutz, Neuherberg, eutschland ezember 4 Anhang 9
MehrLernziele. Kapitel 1: Einführung. Was ist und wozu benötigt man die Ökonometrie? 1.1 Technische Vorbemerkungen
Kaptel : Enführung. Technsche Vorbemerkungen. Inhaltlche Glederung und Zele der Veranstaltung.3 Ökonometre: Was, wozu und we? Lernzele Was st und wozu benötgt man de Ökonometre? We rechnet man mt Vektoren
Mehr8 Logistische Regressionsanalyse
wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen
MehrWie lassen sich Zufallsvariablen und ihre Verteilungen beschreiben?
Kaptel : Enführung. Technsche Vorbemerkungen. Inhaltlche Glederung und Zele der Veranstaltung.3 Ökonometre: Was, wozu und we?.4 Illustraton Anhang A B C Wederholung: Lneare Algebra Wederholung: Statstk
MehrWS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9
WS 2016/17 Prof. Dr. Horst Peters 06.12.2016, Sete 1 von 9 Lehrveranstaltung Statstk m Modul Quanttatve Methoden des Studengangs Internatonal Management (Korrelaton, Regresson) 1. Überprüfen Se durch Bestmmung
MehrNSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.
PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs
MehrNetzwerkstrukturen. Entfernung in Kilometer:
Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
MehrEigenschaften des OLS-Schätzers
Kaptel 3 Egenschaften des OLS-Schätzers De Mathematk st ene Art Spelzeug, welches de Natur uns zuwarf zum Troste und zur Unterhaltung n der Fnsterns. (Jean le Rond d Alembert, 1717-1783) Im letzten Kaptel
MehrÜbung zu Erwartungswert und Standardabweichung
Aufgabe Übung zu Erwartungswert und Standardabwechung In ener Lottere gewnnen 5 % der Lose 5, 0 % der Lose 0 und 5 % der Lose. En Los kostet 2,50. a)berechnen Se den Erwartungswert für den Gewnn! b)der
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,
MehrGauss sche Fehlerrrechnung
Gauss sche Fehlerrrechnung T. Ihn 24. Oktober 206 Inhaltsverzechns Modell und Lkelhood 2 Alle Standardabwechungen σ snd bekannt, bzw. de Kovaranzmatrx der Daten st bekannt: Mnmeren der χ 2 -Funkton. 6
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
MehrItem-response Theorie (Probablistiche Testtheorie) Grundidee der item-response Theorie ist, dass die Antworten auf die Testitems lediglich
Item-response Theore (Probablstche Testtheore Grnddee der tem-response Theore st, dass de Antworten af de Testtems ledglch Indatoren für ene z messende latente Varable (Trats, Klassen snd. Je nach Asprägng
Mehr12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2
1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:
Mehr