Zensus Projekt zur methodischen Grundlagenforschung
|
|
- Andrea Beckenbauer
- vor 5 Jahren
- Abrufe
Transkript
1 Zensus Projekt zur methodischen Grundlagenforschung Ralf Münnich, Siegfried Gabler, Matthias Ganninger, Nicole Thees Universität Trier, Fachbereich IV, VWL Wirtschafts- und Sozialstatistik und GESIS-ZUMA, Mannheim Kiel, 26. September 2007 Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 1 (21)
2 Der deutsche Zensus Letzter Zensus 1987 (1981 in der früheren DDR) 11. November 2005: Koalitionsvertrag 29. August 2006: Grundsatzentscheidung des Bundeskabinetts über den registergestützten Zensus 28. März 2007: Zustimmung zum Entwurf des Zensusvorbereitungsgesetztes 11. Mai 2007: Stellungnahme des Bundesrates in seiner 833. Sitzung 20. September 2007: Zensusvorbereitungsgesetz Zensusanordnungsgesetz - bis Ende 2008 Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 2 (21)
3 Der registergestützte Zensus 2011 Koalitionspapier Belastungsreduktion durch moderne Verfahren Kostenreduktion Grunddatenermittlung in erforderlicher Qualität Registergestützter Zensus (Einwohnermeldeamtsregister) mit einer zusätzlichen Stichprobe (ca. 7 9%) Informationsgewinn über Registerfehler Informationsgewinn über zusätzliche interessierende Variablen Planungs- und Entscheidungsgrundlage für Verwaltung Datengrundlage für etwa 50 Gesetze Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 3 (21)
4 Ergebnisse des Zensustests 2001 Karteileichen: 1,8 % Fehlbestände: 1,7 % Große Differenzen zwischen den Gemeinden Karteileichen: 0,7% in Gemeinden bis Einwohner 1,4% in Gemeinden mit Einwohner 1,5% in Gemeinden mit Einwohner 3,4% in Gemeinden mit und mehr Einwohner Fehlbestände: 1,3% in Gemeinden bis Einwohner 1,3% in Gemeinden mit Einwohner 2,1% in Gemeinden mit Einwohner 2,4% in Gemeinden mit und mehr Einwohner Weitere Abhängigkeiten: z.b. Adressgröße Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 4 (21)
5 Entwicklung von Auswahlverfahren und Schätzmethoden für den registergestützen Zensus 2011 Ziel 1: Korrektur von Registerdaten Schätzung von Karteileichen und Fehlbestände Schätzung der Bevölkerungszahl Ziel 2: Schätzung von zusätzlichen Personenmerkmalen (z.b. Erwerbstätigkeit/Arbeitslosigkeit, höchster Bildungsabschluss...) Analyse der Wirkung des Stichprobendesigns auf die Schätzungen Entwicklung adäquater Fehlerrechnungen Entwicklung geeigneter Beurteilungskriterien Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 5 (21)
6 Entwicklung von Auswahlverfahren und Schätzmethoden für den registergestützen Zensus 2011 Ziel 1: Korrektur von Registerdaten Schätzung von Karteileichen und Fehlbestände Schätzung der Bevölkerungszahl Ziel 2: Schätzung von zusätzlichen Personenmerkmalen (z.b. Erwerbstätigkeit/Arbeitslosigkeit, höchster Bildungsabschluss...) Analyse der Wirkung des Stichprobendesigns auf die Schätzungen Entwicklung adäquater Fehlerrechnungen Entwicklung geeigneter Beurteilungskriterien Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 5 (21)
7 Fehlbestands- und Karteileichenmodelle (M01 M04) Modell 1 NAT 1+ AGK 6+ ADK 2 Modell ohne Wechselwirkungen Modell 2 SEX 1 + NAT 1 + ADK 2 + AGK 6 + SEX*AGK 6 + NAT*ADK 2 + NAT*AGK 6 + AGK*ADK 12 Reduziertes Modell mit Wechselwirkungen Modell 3 SEX 1 + NAT 1+ AGK 6 + ADK 2 Modell ohne Wechselwirkungen Modell 4 SEX 1 + NAT 1 + ADK 2 + AGK 6 + SEX*AGK 6 + SEX*NAT 1 + SEX*ADK 2 + NAT*ADK 2 + NAT*AGK 6 + AGK*ADK 12 Modell mit Wechselwirkungen Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 6 (21)
8 Fehlbestands- und Karteileichenmodelle (M05 M08) Zusätzliche Abhängigkeit von der Gemeindegröße Verschieben von Fehlbeständen und Karteileichen von kleinen Adressen in große Adressen Besondere Betrachtung von: M02.D, M03C.D, M06.SAL, M07C.SAL Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 7 (21)
9 Karteileichen und Fehlbestände nach Gemeinden und Modell Karteileichen Model M02.D Karteileichen Model M03C.D Karteileichen Model M06.SAL Karteileichen Model M07C.SAL 52 Gemeinden des Saarlands Fehlbestände Model M02.D Fehlbestände Model M03C.D Fehlbestände Model M06.SAL Fehlbestände Model M07C.SAL Prozent Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 8 (21)
10 Klumpeneffekt Karteileichen Model M02C.D Karteileichen Model M03C.D Karteileichen Model M06C.SAL Karteileichen Model M07C.SAL 52 Gemeinden des Saarlands Fehlbestände Model M02C.D Fehlbestände Model M03C.D Fehlbestände Model M06C.SAL Fehlbestände Model M07C.SAL Klumpenvarianzen der C Modelle durch Klumpenvarianzen der entsprechenden Basismodelle Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 9 (21)
11 Auswahlverfahren Grundmodell Adressen sind die Auswahleinheiten. Auswahl von 550 Adressen in großen Gemeinden (mindestens Einwohner) Anteil der Einwohner einer kleinen Gemeinde am Kreis mal 550 (unter Einwohner) Uneingeschränkte Zufallsauswahl von Adressen in Gemeinden StrRS Geschichtete Zufallsauswahl (ADRgröße: 1.. 6, 7-9, 10, 11+) proportionale Aufteilung je Gemeinde StrRS, opt Geschichtete Zufallsauswahl mit optimaler Aufteilung bzgl. Karteileichen nach Modell M06-SAL NAT mit ADRgröße als Schichten Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 10 (21)
12 Monte-Carlo Simulations-Gesamtheit Synthetische Gesamtheit im Saarland und Rheinland-Pfalz (Mikrozensus 1996; DACSEIS) Zusätzliche Merkmale: Kreise und Gemeinden in den Bundesländern Adressen sind Auswahleinheiten Modellierung von Karteileichen und Fehlbeständen Zusammensetzung der Gesamtheit (M06.SAL): Nr. Y Z Y R KAL FEB registriert registriert, nicht existent nicht registriert, existent. N N = (Saarland) Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 11 (21)
13 Bisher betrachtete Schätzer Design-basierte Schätzer Horvitz-Thompson Schätzer τ = k S d k y k Designgewichte d k Schätzer separat kombiniert Small Area mit τ Yd = τ Yd + (τ Xd τ Xd ) β, ( ) 1 β = d i x i xi T d i x i y i. i s i s Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 12 (21)
14 Small-area Schätzer Synthetischer Schätzer, Modell A ˆȲ d,syntha = X d ˆβ y i,d = x i,d β + u d + e i,d Synthetischer Schätzer, Modell B ˆȲ d,synthb = X d ˆβ u d iid N(0; σ 2 u), e i,d iid N(0; σ 2 e) ȳ d = x d β + ξ d ; ξ d iid N(0; σu 2 + σ2 e ) n d mit ˆσ e 2 1 = (y i,d ȳ d ) 2 n n d S i d Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 13 (21)
15 Empirische beste lineare unverzerrte Prädiktoren µ EBLUPA Yd = γ d µ Yd +(1 γ d ) µ SYNA Yd = γ d ( µ Yd µ T β)+µ Xd T β, Xd σ mit γ d = u 2 σ u 2 + σ ε/n 2. d µ EBLUPB Yd = γ d µ Yd + (1 γ d ) µ SYNB Yd mit γ d = σ 2 u/( σ 2 u + ψ d ) Vgl. EURAREA oder DACSEIS Berichte = γ d µ Yd + (1 γ d )µ T Xd β, Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 14 (21)
16 Interessierende Schätzungen TotPop02 Gesamtbevölkerung Hilfsmerkmale: Registrierte Einwohner, Adressgröße TotKAL02 Gesamtzahl der Karteileichen Hilfsmerkmale: Registrierte Einwohner, Adressgröße TotFEB02 Gesamtzahl der Fehlbestände Hilfsmerkmale: Registrierte Einwohner, Adressgröße TotHEDU01 Gesamtzahl der Einwohner mit höchster Bildung (Universitätsabschluss) Hilfsmerkmale: AGE x SEX, ADR Größenklasse (NAT) Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 15 (21)
17 Relativer RMSE der Gesamteinwohnerzahl Große Gemeinden Kleine Gemeinden Hauptstadt Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 16 (21)
18 Relativer Bias der Gesamteinwohnerzahl Große Gemeinden Kleine Gemeinden Hauptstadt Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 17 (21)
19 Relativer RMSE der Anzahl der Fehlbestände Große Gemeinden Kleine Gemeinden Hauptstadt Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 18 (21)
20 Relativer RMSE der Anzahl der Karteileichen Große Gemeinden Kleine Gemeinden Hauptstadt Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 19 (21)
21 Relativer RMSE der Anzahl mit höchstem Bildungsabschluss Große Gemeinden Kleine Gemeinden Hauptstadt Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 20 (21)
22 Größere Areas: Schätzer Kleinere Areas: unit-level Modellierung aber, umfangreiche Kenntnis von Modellierung wird benötigt Welche Maße sind zu betrachten? MSE basierte Maße Trade-off zwischen Verzerrung und Varianz Asymmetrische Maße Disparität von Area Schätzungen Kohärente Maße Design- versus Modell-basierte Welt Notwendigkeit zur Quantifizierung der politischen Bedürfnisse Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 21 (21)
23 Größere Areas: Schätzer Kleinere Areas: unit-level Modellierung aber, umfangreiche Kenntnis von Modellierung wird benötigt Welche Maße sind zu betrachten? MSE basierte Maße Trade-off zwischen Verzerrung und Varianz Asymmetrische Maße Disparität von Area Schätzungen Kohärente Maße Design- versus Modell-basierte Welt Notwendigkeit zur Quantifizierung der politischen Bedürfnisse Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 21 (21)
24 Größere Areas: Schätzer Kleinere Areas: unit-level Modellierung aber, umfangreiche Kenntnis von Modellierung wird benötigt Welche Maße sind zu betrachten? MSE basierte Maße Trade-off zwischen Verzerrung und Varianz Asymmetrische Maße Disparität von Area Schätzungen Kohärente Maße Design- versus Modell-basierte Welt Notwendigkeit zur Quantifizierung der politischen Bedürfnisse Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 21 (21)
25 Größere Areas: Schätzer Kleinere Areas: unit-level Modellierung aber, umfangreiche Kenntnis von Modellierung wird benötigt Welche Maße sind zu betrachten? MSE basierte Maße Trade-off zwischen Verzerrung und Varianz Asymmetrische Maße Disparität von Area Schätzungen Kohärente Maße Design- versus Modell-basierte Welt Notwendigkeit zur Quantifizierung der politischen Bedürfnisse Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 21 (21)
26 Größere Areas: Schätzer Kleinere Areas: unit-level Modellierung aber, umfangreiche Kenntnis von Modellierung wird benötigt Welche Maße sind zu betrachten? MSE basierte Maße Trade-off zwischen Verzerrung und Varianz Asymmetrische Maße Disparität von Area Schätzungen Kohärente Maße Design- versus Modell-basierte Welt Notwendigkeit zur Quantifizierung der politischen Bedürfnisse Kiel, 26. September 2007 Siegfried Gabler Zensus Stichprobenprojekt 21 (21)
Design der Haushaltsstichprobe für den Zensus 2011
Design der Haushaltsstichprobe für den Zensus 211 Ausschuss für Regionalstatistik DStatG und VDSt Ralf Münnich Universität Trier, Fachbereich IV, Wirtschafts- und Sozialstatistik in Zusammenarbeit mit
MehrSmall Area Estimation auf Grundlage der Zensusergebnisse!?!
Motivation Related Literature Method auf Grundlage der Zensusergebnisse!?! Fru hjahrstagung Verband Deutscher Sta dtestatistiker Passau, 27.03.2012 Conclusion Warum? Standard: Schätzungen aufgrund einer
MehrPraxisbeispiel. Ein komplexes Stichprobendesign
Praxisbeispiel Ein komplexes Stichprobendesign Gliederung Einführung Rahmenbedingungen beim Zensus Ziele / Zweck der Stichprobe beim Zensus Was ist ein Stichprobenplan? Stichprobenplan Zensus Stichprobenziehung
MehrKapitel 3 Schließende Statistik
Motivation Grundgesamtheit mit unbekannter Verteilung F Stichprobe X 1,...,X n mit Verteilung F Realisation x 1,...,x n der Stichprobe Rückschluss auf F Dr. Karsten Webel 160 Motivation (Fortsetzung) Kapitel
MehrInformationen für Auftraggeber und Nutzer der Studie Small Area-Schätzung bundesweiter Regionaldaten
Informationen für Auftraggeber und Nutzer der Studie Small Area-Schätzung bundesweiter Regionaldaten MiD Abschlussveranstaltung 14./15. November 2018, Berlin Mobilität in Deutschland eine Studie des: durchgeführt
MehrDer Registergestützte Zensus 2011 in Deutschland. Zensus 2011
Der Registergestützte Zensus 2011 in Deutschland Statistische Woche Kiel, 26. September 2007 Sabine Bechtold, Abteilung VI Zum Begriff Zensus 2011 Gemeint damit ist eine registergestützte und um eine zusätzliche
MehrDer Registergestützte Zensus 2011 in Deutschland Statistisches Bundesamt, Abteilung VI
Der Registergestützte Zensus 2011 in Deutschland Zum Begriff Zensus 2011 Gemeint damit ist eine registergestützte und um eine Haushaltsstichprobe ergänzte Volkszählung einschließlich einer Gebäude- und
MehrSmall Area-Schätzung
Ludwigs-Maximilian Universität München Spezielle Themen der Sozial- und Wirtschaftsstatistik Small Area-Schätzung Autor: Frederik Ludwigs Betreuung Prof. Dr. Thomas Augustin 9. Juni 2016 Abstract In diesem
MehrBachelorseminar: Ausgwählte Aspekte der Wirtschaft- und Sozialstatistik Sommersemester 2015 Referat: Stichprobenplan des Zensus
Bachelorseminar: Ausgwählte Aspekte der Wirtschaft- und Sozialstatistik Sommersemester 2015 Referat: Stichprobenplan des Zensus Prof. Dr. Thomas Augustin, Eva Endres Institut für Statistik, LMU 19.06.15
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
MehrStochastik Praktikum Parametrische Schätztheorie
Stochastik Praktikum Parametrische Schätztheorie Thorsten Dickhaus Humboldt-Universität zu Berlin 05.10.2010 Prolog Momentenmethode X : Ω 1 Ω Zufallsgröße, die Experiment beschreibt. Ein statistisches
MehrAnlage 6: Haushaltebefragung beim Zensus Erläuterungen zum Stichprobenverfahren
Gesetz- und Verordnungsblatt für das Land Nordrhein-Westfalen Nr. 30 vom 25. November 2010 583 Anlage 6: Haushaltebefragung beim Zensus 2011 - Erläuterungen zum Stichprobenverfahren (Statistisches Bundesamt
MehrDer Zensus Methoden und Potenziale des Zensus 2011 Was wird beim Zensus 2011 hochgerechnet? Statistik-Tage Bamberg-Fürth
Methoden und Potenziale des Zensus 2011 Was wird beim Zensus 2011 hochgerechnet? Der Zensus 2011. 6. Februar 2009 Statistik-Tage Bamberg-Fürth 2012 1 Gliederung 1. Modell des registergestützten Zensus
MehrHaushaltebefragung beim Zensus 2011
Haushaltebefragung beim Zensus 2011 Erläuterungen zum Stichprobenverfahren Juli 2010 Statistisches Bundesamt Herausgeber: Internet: Statistisches Bundesamt, Wiesbaden www.destatis.de Ihr Kontakt zu uns:
MehrMan kann also nicht erwarten, dass man immer den richtigen Wert trifft.
2.2.2 Gütekriterien Beurteile die Schätzfunktionen, also das Verfahren an sich, nicht den einzelnen Schätzwert. Besonders bei komplexeren Schätzproblemen sind klar festgelegte Güteeigenschaften wichtig.
MehrInhaltsverzeichnis. Unsicherheiten der demographischen Entwicklung in Trier. Differenzierung: Szenarien / Prognosen / Projektionen / Mikrosimulationen
Inhaltsverzeichnis Unsicherheiten der demographischen Entwicklung in Trier Trier 2025+: Zukunftsplanung für unsere Stadt Ralf Münnich Universität Trier Fachbereich IV - VWL Wirtschafts- und Sozialstatistik
MehrZusammenfassung 11. Sara dos Reis.
Zusammenfassung 11 Sara dos Reis sdosreis@student.ethz.ch Diese Zusammenfassungen wollen nicht ein Ersatz des Skriptes oder der Slides sein, sie sind nur eine Sammlung von Hinweise zur Theorie, die benötigt
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;
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrWorkshop Komplexe Stichprobendesigns Andreas Quatember
Workshop Komplexe Stichprobendesigns 12.05.2016 Andreas Quatember Eine anschauliche Darstellung der Auswirkung verschiedener Stichprobendesigns auf die Genauigkeit von Stichprobenergebnissen 1. Die Problemstellung
MehrAlternative Small Area Schätzverfahren am Beispiel des Zensus 2011 in Deutschland Dissertation
Alternative Small Area Schätzverfahren am Beispiel des Zensus 2011 in Deutschland Dissertation Lucie Dostál Alternative Small Area Schätzverfahren am Beispiel des Zensus 2011 in Deutschland Die vorliegende
MehrW09 p. 1. Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung
Der Verhältnisschätzer - Ratio estimator Beispiel: Schätzung der Anzahl Objekte (Bäume) in einem bestimmten Gebiet. Situation: Die Fläche ist unterteilt in Streifen / Transekte. Man wählt zufällig n =
MehrTheorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann Probe-Klausur zur Vorlesung Ökonometrie Theorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte (die eigentliche Klausur wird
MehrStichproben: Theorie und Verfahren
Stichproben: Theorie und Verfahren Von Prof. Dr. Fritz Pokropp Universität der Bundeswehr Hamburg 2., vollständig überarbeitete Auflage R. Oldenbourg Verlag München Wien Inhaltsverzeichnis IX Inhaltsverzeichnis
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 6. Juli 2017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 13 Version: 7. Juli
MehrStochastik Praktikum Lineare Modelle
Stochastik Praktikum Lineare Modelle Thorsten Dickhaus Humboldt-Universität zu Berlin 06.10.2010 Übersicht 1 Einfache lineare Regression 2 Multiple lineare Regression 3 Varianzanalyse 4 Verallgemeinerte
MehrStichprobe versus Abschneideverfahren
Stichprobe versus Abschneideverfahren Ein Verfahrensvergleich am Beispiel der Konjunkturstatistik in der Industrie Jürgen Schmidt Mathematisch-Statistische Methoden Statistisches Bundesamt Statistische
MehrMikrozensus Datenproduktion und Datenanalyse in der amtlichen Statistik
Mikrozensus Datenproduktion und Datenanalyse in der amtlichen Statistik Tim Hochgürtel Inhalt 1. Was ist der Mikrozensus? 2. Frageprogramm des Mikrozensus 3. Methodik der Erhebung 4. Hochrechnung 5. Nutzungsmöglichkeit
MehrMEHREBENENANALYSE: ANGEMESSENE MODELLIERUNG VON EVALUATIONSDATEN
MEHREBENENANALYSE: ANGEMESSENE MODELLIERUNG VON EVALUATIONSDATEN Potsdam 27. März 2009 Dr. Manuela Pötschke HINTERGRUND Neue Anforderungen an Evaluation (hier aus Fachbereichssicht) - Berichterstattung
MehrKurs Empirische Wirtschaftsforschung
Kurs Empirische Wirtschaftsforschung 5. Bivariates Regressionsmodell 1 Martin Halla Institut für Volkswirtschaftslehre Johannes Kepler Universität Linz 1 Lehrbuch: Bauer/Fertig/Schmidt (2009), Empirische
MehrGrundbegriffe der Wahrscheinlichkeitsrechnung
Grundbegriffe der Wahrscheinlichkeitsrechnung Notation: Y y Zufallsvariable Merkmalswert Definition 1 Eine Zufallsvariable Y heißt a) diskret, falls sie nur endlich oder abzählbar unendlich viele Werte
MehrMultivariate Verfahren
Multivariate Verfahren Oliver Muthmann 31. Mai 2007 Gliederung 1 Einführung 2 Varianzanalyse (MANOVA) 3 Regressionsanalyse 4 Faktorenanalyse Hauptkomponentenanalyse 5 Clusteranalyse 6 Zusammenfassung Komplexe
MehrEinführung in die Induktive Statistik: Schätzen von Parametern und Verteilungen
Einführung in die Induktive Statistik: Schätzen von Parametern und Verteilungen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Inhalt Stichproben
MehrVorbereitung auf 3. Übungsblatt (Präsenzübungen) - Lösungen
Prof Dr Rainer Dahlhaus Statistik 1 Wintersemester 2016/2017 Vorbereitung auf Übungsblatt (Präsenzübungen) - Lösungen Aufgabe P9 (Prognosen und Konfidenzellipsoide in der linearen Regression) Wir rekapitulieren
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
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
Mehr= 2 ( 3250,3 ( 3251,5)) = 1,1662 F(2,800) = 2,4 χ2
Pobeklausur: Einführung in die Ökonometrie (Lösung) Gesamtpunktzahl: 96 1. (20 Punkte) a) Anmerkung: statt im Durchschnitt kann auch der/die/das erwartete... stehen. educ : Wenn die Bildung um 1 Jahr steigt,
MehrAnalyse der durch den Zensus verursachten Abweichungen bei den Einwohnerzahlen
Analyse der durch den Zensus verursachten Abweichungen bei den Einwohnerzahlen Statistische Woche Berlin, 18.9.213 Sabine Bechtold Statistisches Bundesamt Inhalt Die verschiedenen Maßnahmen zur Qualitätssicherung
MehrStatistisches Lernen
Statistisches Lernen Einheit 12: Modellwahl und Regularisierung Dr. rer. nat. Christine Pausch Institut für Medizinische Informatik, Statistik und Epidemiologie Universität Leipzig WS 2014/2015 1 / 28
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 =
Mehrκ Κα π Κ α α Κ Α
κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ
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
MehrKapitel 10. Stichproben
Kapitel 10 n In der deskriptiven Statistik werden die Charakteristika eines Datensatzes durch Grafiken verdeutlicht und durch Maßzahlen zusammengefasst. In der Regel ist man aber nicht nur an der Verteilung
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrDas empirische VaR bzw. CVaR
Das empirische VaR bzw. CVaR Sei x 1, x 2,..., x n eine Stichprobe der unabhängigen identischverteilten ZV X 1, X 2,..., X n mit Verteilungsfunktion F (Notation: Die ZV X 1, X 2,..., X n sind i.i.d. Empirische
MehrAllgemeine lineare Modelle
262 Merkpunkte Allgemeine lineare Modelle Multiple lineare Regression mit nicht-normalen Zufallsabweichungen bilden eine harmlose" Verallgemeinerung der multiplen lin. Regr. Beispiele: Gumbel-Regression,
MehrVorlesung: Lineare Modelle. Verschiedene Typen von Residuen. Probleme bei der Regression und Diagnose. Prof. Dr. Helmut Küchenhoff.
Vorlesung: Lineare Modelle Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München SoSe 205 5 Metrische Einflußgrößen: Polynomiale Regression, Trigonometrische Polynome, Regressionssplines, Transformationen.
Mehr3.3 Methoden zur Evaluierung von Schätzern
3.3 Methoden zur Evaluierung von Schätzern Bis jetzt haben wir nur glaubwürdige Techniken zur Konstruktion von Punktschätzern besprochen. Falls unterschiedliche Schätzer für einen Parameter resultieren,
MehrI.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03
I.V. Methoden 4: Regressionsund Pfadanalyse WiSe 02/03 Vorlesung: 12.11.2002 He uses statistics as a drunken man use lampposts - for support rather than for illumination. Andrew Lang Dr. Wolfgang Langer
MehrFrequentisten und Bayesianer. Volker Tresp
Frequentisten und Bayesianer Volker Tresp 1 Frequentisten 2 Die W-Verteilung eines Datenmusters Nehmen wir an, dass die wahre Abhängigkeit linear ist, wir jedoch nur verrauschte Daten zur Verfügung haben
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 20
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 20 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
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
MehrProf. Dr. Marc Gürtler WS 2015/2016. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft
Prof. Dr. Marc Gürtler WS 015/016 Prof. Dr. Marc Gürtler Klausur zur 10/1 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft Lösungsskizze Prof. Dr. Marc Gürtler WS 015/016 Aufgabe 1: (11+5+1+8=56
MehrEinführung in die Induktive Statistik: Regressionsanalyse
Einführung in die Induktive Statistik: Regressionsanalyse Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Regressionsanalyse Ziel: Analyse
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrWahrscheinlichkeitsrechnung und Statistik
9. Vorlesung - 2017 Monte Carlo Methode für numerische Integration Sei g : [0, 1] R stetige Funktion; man möchte 1 0 g(t)dt numerisch approximieren mit Hilfe von Zufallszahlen: Sei (U n ) n eine Folge
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
MehrErgänzende Verfahren für einen künftigen registergestützten Zensus
Ergänzende Verfahren für einen künftigen registergestützten Zensus Diplom-Statistiker Josef Schäfer Die vorerst letzte Volkszählung als Befragung aller Haushalte und Personen fand in West-Deutschland 1987,
Mehrarxiv: v1 [stat.ap] 4 Sep 2014
Everything counts! - Warum kleine Gemeinden die Gewinner der Zensuserhebung 2011 sind Björn Christensen, Sören Christensen, Tim Hoppe und Michael Spandel Fachhochschule Kiel, Christian-Albrechts-Universität
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
MehrNonresponse in Bevölkerungsumfragen Österreich-Ergebnisse einer Simulationsstudie im Rahmen des EU-Projekts DACSEIS
AUSTRIAN JOURNAL OF STATISTICS Volume 34 (2005), Number 3, 263 281 Nonresponse in Bevölkerungsumfragen Österreich-Ergebnisse einer Simulationsstudie im Rahmen des EU-Projekts DACSEIS Andreas Quatember
MehrRegressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/
Regressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/2018 06.12.2018 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN Nachname:...................................................................
MehrStichprobenverfahren. Sommersemester Einführung 1
Sommersemester 2015 1. Einführung 1 Personen Jun.-Prof. Dr. Hans Manner Lehrstuhlvertretung Statistische Methoden mit Schwerpunkt Psychometrie Raum: M 737 E-mail: manner@statistik.tu-dortmund.de Tel.:
MehrDrittvariablenkontrolle in der linearen Regression: Trivariate Regression
Drittvariablenkontrolle in der linearen Regression: Trivariate Regression 14. Januar 2002 In der Tabellenanalyse wird bei der Drittvariablenkontrolle für jede Ausprägung der Kontrollvariablen eine Partialtabelle
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrLS-Schätzer. SSE(β) = (y µ) t (y µ) = y t y 2β t X t y + β t X t Xβ. Minimiere SSE(β) bzgl. β: Minimum definiert durch
LS-Schätzer Sei µ = Xβ mit rg(x) = p und β = (β 1,..., β p ) t SSE(β) = (y µ) t (y µ) Minimiere SSE(β) bzgl. β: = y t y 2β t X t y + β t X t Xβ β SSE(β) = 2Xt y + 2X t Xβ. Minimum definiert durch X t X
MehrMikrodaten-Tools. Zur Berechnung des Stichprobenfehlers im Mikrozensus. Bernhard Schimpl-Neimanns Jörg Müller. Juni 2001
Mikrodaten-Tools Zur Berechnung des Stichprobenfehlers im Mikrozensus Bernhard Schimpl-Neimanns Jörg Müller Juni 2001 ZUMA Quadrat B2,1 Postfach 12 21 55 68072 Mannheim Telefon: 0621-1246-263 Telefax:
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrInformation und Technik Nordrhein-Westfalen
Zensus 2011: Verfahren zur Ermittlung der Einwohnerzahl und erste Ergebnisse AG Nord-West des VDSt am 13. und 14. Juni 2013 in Wuppertal Ermittlung der Einwohnerzahl zum Stichtag 9. Mai 2011 Melderegisterbestand
MehrAuswahlverfahren. Schnell, R. Hill, P. B. Esser, E. 1999, Methoden der empirischen Sozialforschung. München: Oldenbourg. Seiten ;
Auswahlverfahren Objektbereich & Grundgesamtheit Vollerhebung Volkszählung Teilerhebung angestrebte Grundgesamtheit Auswahlgesamtheit Inferenzpopulation Willkürliche Auswahl Bewußte Auswahl Schnell, R.
Mehr> library(nlme) > fit <- lme(y ~ 1, random = ~1 id, data = sim.y.long) > summary(fit)
Übungsblatt Analyse longitudinaler Daten und Zeitreihen SoSe 007 Donna Pauler Ankerst, Ulrich Mansmann, Volkmar Henschel, Michael Höhle Übung: Montag 0..007 Aufgabe 1 (Mixed Model Simulation) In dieser
Mehr9 Robuste Methoden. 9.1 Einfluss und Robustheit. i (x i x) 2 = i x iy i. c 1 = x 2 + i (x i x) 2. Einfache Regression: 9.1 Einfluss und Robustheit 205
9.1 Einfluss und Robustheit 205 9 Robuste Methoden 9.1 Einfluss und Robustheit a Sensitivität. Eine Beobachtung hinzufügen. Effekt? Einfache Regression: β = i(x i x)y i i (x i x) 2 = i x iy i β = β+ x,
MehrVortrag am Institut für Statistik an der Ludwig-Maximilian-Universität München. München,
Vortrag am Institut für Statistik an der Ludwig-Maximilian-Universität München München, 19.12.2011 1 Gliederung 1. Deutschlands Weg zu einem registergestützten Zensus 2. Der Zensustest 2001 3. Der registergestützte
MehrSelbstständigkeit von Migranten in Deutschland: Die Effekte sozialer Einbettung
Selbstständigkeit von Migranten in Deutschland: Die Effekte sozialer Einbettung Reinhard Schunck Michael Windzio Universität Bremen Bremen International Graduate School of Social Sciences (BIGSSS) 6. Nutzerkonferenz
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrBootstrap: Punktschätzung
Resampling Methoden Dortmund, 2005 (Jenő Reiczigel) 1 Bootstrap: Punktschätzung 1. Die Grundidee 2. Plug-in Schätzer 3. Schätzung des Standardfehlers 4. Schätzung und Korrektur der Verzerrung 5. Konsistenz
MehrDr. Guido Knapp Fakultät Statistik Technische Universität Dortmund 6. Februar Klausur zur Veranstaltung Erhebungstechniken
Dr. Guido Knapp Fakultät Statistik Technische Universität Dortmund 6. Februar 2009 Klausur zur Veranstaltung Erhebungstechniken im Wintersemester 2008 / 2009 Name, Vorname: Studiengang (Bachelor/Diplom):
MehrStatistik I für Betriebswirte Vorlesung 13
Statistik I für Betriebswirte Vorlesung 13 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 4. Juli 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrStichproben und statistische Fehler
Kapitel 0 Stichproben und statistische Fehler 0. Verfahren zur Auswahl von Stichproben Stichprobenauswahl als Bestandteil von Teilerhebungen: Aus dem Ergebnis der Untersuchung der Stichprobe soll dann
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrStochastische Trends und Unit root-tests
Stochastische Trends und Unit root-tests Stichwörter: Random walk stochastischer Trend unit root Trend-Stationarität Differenz-Stationarität Dickey-Fuller (DF-)Test Augmented Dickey-Fuller (ADF-)Test o1-15.tex/0
Mehr2.5 Lineare Regressionsmodelle
2.5.1 Wiederholung aus Statistik I Gegeben Datenpunkte (Y i, X i ) schätze die beste Gerade Y i = β 0 + β 1 X i, i = 1,..., n. 2 Induktive Statistik 409 Bsp. 2.30. [Kaffeeverkauf auf drei Flohmärkten]
MehrInhalt. I Einführung. Kapitel 1 Konzept des Buches Kapitel 2 Messen in der Psychologie... 27
Inhalt I Einführung Kapitel 1 Konzept des Buches........................................ 15 Kapitel 2 Messen in der Psychologie.................................. 27 2.1 Arten von psychologischen Messungen....................
MehrHochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann. 8. Übungsblatt zur Vorlesung Ökonometrie
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann 8. Übungsblatt zur Vorlesung Ökonometrie Aufgabe 1: In der Vorlesung haben wir das lineare Regressionsproblem als statistisches Problem formuliert:
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
MehrStatistische Eigenschaften der OLS-Schätzer, Residuen,
Statistische Eigenschaften der OLS-Schätzer, Residuen, Bestimmtheitsmaß Stichwörter: Interpretation des OLS-Schätzers Momente des OLS-Schätzers Gauss-Markov Theorem Residuen Schätzung von σ 2 Bestimmtheitsmaß
MehrAktueller Stand des Zensus- Konzepts und Versorgung der Kommunen mit Zensusdaten
Aktueller Stand des Zensus- Konzepts und Versorgung der Kommunen mit Zensusdaten Dipl.-Volkswirt Helmut Eppmann, Landesamt für f r Datenverarbeitung und Statistik NRW 1 Gliederung 1. Das Zensuskonzept
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
Mehr