III. Prognosen - Teil 1
|
|
- Cornelia Emilia Berg
- vor 7 Jahren
- Abrufe
Transkript
1 Universität Ulm Ulm Germany Dipl.-WiWi Christian Peukert Klaus Gründler Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010 Übung zur Empirischen Wirtschaftsforschung III. Prognosen - Teil 1 Einführung Jedes Jahr stellen der Sachverständigenrat zur Begutachtung der gesamtwirtschaftlichen Entwicklung und die Arbeitsgemeinschaft wirtschaftswissenschaftlicher Forschungsinstitute Prognosen für das kommende Jahr vor. Diese Prognosen werden unter Verwendung geeigneter empirischer Modelle getroffen, welche wiederum durch die Zusammenführung ökonomischer Theorien, makroökonomischer Daten und ökonometrischer Methoden aufgestellt werden. Im Rahmen dieser Übung soll beispielhaft gezeigt werden, wie derartige Prognosen zustande kommen und selbst erstellt werden können. Dabei werden gängige ökonomische Theorien und makroökonomische Daten vorgestellt, die Konjunkturprognosen üblicherweise zu Grunde liegen. Prognostiziert werden soll sowohl eine Änderungsrate des Bruttoinlandsprodukts, als auch die Veränderung der realen Ausrüstungsinvestitionen. Folgende Werte prognostiziert die Projektgruppe Gemeinschaftsprognose in ihrem Frühjahrsgutachten für 2010 und 2011: Reales Bruttoinlandsprodukt -5,0% 1,5% 1,4% Ausrüstungsinvestitionen -1,7% 0,1% 0,2% Helmholtzstr. 20, Raum E 02 Tel , Fax Christian.Peukert@uni-ulm.de
2 Um brauchbare Prognosen erstellen zu können ist es wichtig, genau über die zu prognostizierende Variable informiert zu sein. Prognostiziert werden sollen Die Änderungsrate des realen Bruttoinlandsproduktes: Das Bruttoinlandsprodukt (BIP) ist der Gesamtwert aller Waren und Dienstleistungen, die während eines Jahres innerhalb der Landesgrenzen hergestellt wurden. Somit kann das BIP als Maß für die wirtschaftliche Leistungsfähigkeit einer Volkswirtschaft herangezogen werden. Berechnet wird das BIP über die Entstehungs-, die Verteilungs-, sowie die Verwendungsrechnung. Letztere ist wichtiger Bestandteil vieler ökonomischer Theorien und definiert das BIP (Y ) als Y = C(Y P ) + I(r) + G + Ex Im Man spricht vom realen BIP, wenn das nominale BIP um Preiseffekte bereinigt wurde..06 DLOG(BIPK,0,4)
3 Die Änderungsrate der realen Ausrüstungsinvestitionen: Ausrüstungsinvestitionen sind bewegliche Investitionsgüter, die von Produzenten geschaffen werden (Maschinen, Geräte etc). Sie machen in Deutschland ca. 40% der gesamten Investitionen I(r) aus und gelten als wichtiger Konjunkturindikator..2 DLOG(AUSIK,0,4) In der Prognose sollen Änderungsraten prognostiziert werden. Die Wachstumsrate ist üblicherweise definiert als W Y t = Y t Y t 1 Y t 1 In empirischen Untersuchungen wird diese Rate üblicherweise durch die Differenz von Logarithmen approximiert, da die folgende Bedingung gilt: ( ) ( ) Yt Yt Y t 1 log(y ) = log = log + 1 Y t Y t 1 Y t 1 Y t 1 Y t 1 In EViews steht zur Berechnung von Wachstumsraten durch Differenzen von Logarithmen der Befehl dlog(variable ) zur Verfügung. 3
4 Bei Verwendung von Wachstumsraten muss unterschieden werden, auf welche Basis sie sich beziehen: Veränderung zum Vorquartal: Enthält saisonale Schwankungen Veränderung zum Vorjahresquartal: Neutralisierung saisonaler Schwankungen Veränderung zum Vorjahr: Geringere Informationsfülle im Vergleich zu Quartalsdaten Grundsätzlich sind zur Prognose des Bruttoinlandproduktes verschiedene Modelle denkbar. An dieser Stelle soll die in ökonomischen Schätzungen häufig verwendete Methode der kleinsten Quadrate zur Prognose herangezogen werden. Die endogene Variable wird dabei über verschiedene geeignete exogenen Variablen erklärt: y t = β 0 + β 1 x 1,t + β 2 x 2,t + + β m x i,t + ϵ t Um Prognosen erstellen zu konnen, müssen zeitlich versetzte Korrelationen zwischen den Variablen existieren. Verwendet werden soll daher ein dynamisches Modell mit verzogerten exogenen Variablen, wobei die Stärke der Verzögerung maßgeblichen Einfluss auf das Ergebnis nimmt (τ = Prognosehorizont): y t = β 0 + β 1 x 1,t τ + β 2 x 2,t τ + + β m x i,t τ + ϵ t 4
5 Datengrundlage Es stellt sich nun die Frage nach geeigneten erklärenden Variablen, welche stets durch eine entsprechende ökonomische Theorie beantwortet werden sollte, um einen cum hoc ergo propter hoc (Korrelation ohne Kausalzusammenhang) zu vermeiden. Einen ersten Hinweis über einen möglichen Einfluss liefern Scatter-Plots und Korrelationskoeffizienten. Folgende Variablen werden häufig in Konjunkturprognosen verwendet: Daten der volkswirtschaftlichen Gesamtrechnung BIP Nominales Bruttoinlandsprodukt zu jeweiligen Preisen, in Mrd. Euro BIPK Realer Kettenindex des Bruttoinlandsprodukts BIPP Preisindex des BIP, 2000=100 AUSI Nominale Ausrüstungsinvestitionen AUSIK Realer Kettenindex der Ausrüstungsinvestitionen Quelle: Statistisches Bundesamt Aktuelle Indikatoren der Arbeitsmarktstatistik ET Zahl der Erwerbstätigen, in 1000 EST Zahl der Kurzarbeiter Quelle: Statistisches Bundesamt Aktuelle Indikatoren der Industriestatistik AUF Index der Auftragseingänge, verarbeitendes Gewerbe AUFI Index der Auftragseingänge, Investitionsgüter AUFA Index der Auftragseingänge aus dem Ausland, verarbeitendes Gewerbe AUFBH Index der Auftragseingänge, Bauhauptgewerbe AUFBG Index der Auftragseingänge, Hoch- und Tiefbau gewerblich PROD Index der Produktion, verarbeitendes Gewerbe PRODI Index der Produktion, Investitionsgütergewerbe Quelle: Statistisches Bundesamt und Deutsche Bundesbank 5
6 Aktuelle Umfragedaten aus dem Konjunkturtest des ifo Instituts GL Geschäftslagebeurteilung GLE Geschäftslageerwartung GK Geschäftsklima Quelle: ifo Institut, München Monetäre Indikatoren der Bundesbank und Aktienindex Z3 Geldmarktzins, 3-Monatszinssatz ZWP Umlaufrendite festverzinslicher Wertpapiere AKT DAX-Index Quelle: Deutsche Bundesbank 6
7 Dynamisches Modell mit verzögerter erklärender Variable Gute Ergebnisse können erzielt werden, wenn man sich der genauen Zusammensetzung der erklärenden Variablen und der ökonomischen Theorie hinter den Daten bewusst ist. Im ifo-geschäftsklimaindex sind neben der aktuellen Lage auch die Erwartungen über die zukünftige Entwicklung der Wirtschaftssubjekte enthalten. Da das ifo-institut hierbei die Erwartung der kommenden sechs Monate abfragt, empfiehlt es sich, diese Variable um zwei Quartale zu verzögern. Dependent Variable: DLOG(BIPK,0,4) Method: Least Squares Date: 05/03/10 Time: 13:28 Sample (adjusted): 1995Q1 2009Q4 Included observations: 60 Variable Coefficient Std. Error t-statistic Prob. C GK(-2) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criter Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn crite F-statistic Durbin-Watson stat Prob(F-statistic) Mit diesem Modell können ca. 30% der Varianz der Jahresänderungsrate des Bruttoinlandsproduktes erklärt werden. Der um zwei Quartale verzögerte ifo Geschäftsklimaindex leistet in dieser Schätzung einen signifikanten Beitrag. 7
8 Dynamisches Modell mit mehreren verzögerten erklärenden Variablen Mit der Aufnahme weiterer erklärender Variablen lässt sich der Erklärungsgehalt verbessern. Bei einer großen Anzahl Regressoren sollte jedoch vermehrt auf das korrigierte Bestimmtheitsmaß geachtet werden. Folgende Variablen sollen der Schätzung hinzugefügt werden: Zinsspread aus Umlaufrendite und 3-Monats-Zins: Aus der Erwartungstheorie von Fisher folgt, dass in den langfristigen Zinsen bereits zukunftige Kurzfristzinsen eingepreist sind. Gilt r k r l, so erwarten die Wirtschaftssubjekte steigende Zinsen und eine anziehende Konjunktur. Logarithmierte Veränderung des Aktienkurses: Der Aktienkurs ist ein Frühindikator, der die wirtschaftliche Entwicklung vorausnimmt. In der Regel folgt die Realwirtschaft nach 6 12 Monaten. === Dependent Variable: DLOG(BIPK,0,4) Method: Least Squares Date: 05/03/10 Time: 13:29 Sample (adjusted): 1995Q1 2009Q4 Included observations: 60 Variable Coefficient Std. Error t-statistic Prob. C ZWP(-4)-Z3(-4) GK(-2) DLOG(AKT(-2),0,4) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criter Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn crite F-statistic Durbin-Watson stat Prob(F-statistic)
9 Mit Aufnahme der zusätzlichen Variablen kann die Güte des Modells verbessert werden: So steigt das Bestimmtheitsmaß auf knapp 50%. Gleichzeitig sinkt der Standardfehler der Schätzung auf 1,6%-Punkte. Sowohl der Zinsspread, als auch die Veränderungsrate des Aktienindexes nehmen einen positiven Einfluss auf die Änderungsrate des Bruttoinlandprodukts. Während die Differenz aus langfristigem und kurzfristigem Zins einen deutlich signifikanten Einfluss liefert, kann der Einfluss des Aktienmarktes in diesem Modell kontrovers diskutiert werden. 9
10 Dynamisches Modell mit verzögerter exogenen und endogenen Variablen, sowie Trends Da in ökonomischen Variablen häufig Persistenz zu beobachten ist, empfiehlt es sich, die endogene Variable selbst mit in die Schätzung aufzunehmen. Hier sollte eine Verzögerung von vier Quartalen gewählt werden. Als Konjunktur wird die periodische Schwankung der wirtschaftlichen Leistung verstanden, die sich in der Regel um einen Wachstumspfad des Produktionspotentials vollzieht. Es empfiehlt sich, diesen Wachstumspfad mit in die Schätzung aufzunehmen. Bei EViews gelingt dies mit dem === Dependent Variable: DLOG(BIPK,0,4) Method: Least Squares Date: 05/03/09 Time: 13:32 Sample (adjusted): 1995Q1 2009Q4 Included observations: 60 Variable Coefficient Std. Error t-statistic Prob. C ZWP(-4)-Z3(-4) GK(-2) LOG(BIP(-4)) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criter Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn crite F-statistic Durbin-Watson stat Prob(F-statistic) Durch die Aufnahme des Trends und der endogenen Variable verbessert sich der Erklärungsgehalt des Modells weiter. Mit einem Bestimmtheitsmaß von 55% und einem Standardfehler von 1,5% kann nun eine Prognose für 2010 erstellt werden. 10
11 Prognose Unter Forecast kann eine Prognose für kommende Quartale erstellt werden. Hier gilt es zu unterscheiden zwischen Statische Prognose: Bedient sich der realisierten Werte der erklärenden Variable, um die Zielvariable zu prognostizieren Dynamische Prognose: Verwendet vorhergesagte Werte der verzögerten abhängigen Variable, um die Zielvariable zu beschreiben. Somit ist es entsprechende Verfügbarkeit der erklärenden Variablen vorausgesetzt möglich, den Prognosezeitraum auzuweiten. Mit dem Befehl fit kann eine statische, mit forcst eine dynamische Prognose erstellt werden. Für 2010 prognostiziert das Modell eine Wachstumsrate von 1,3%. Damit liegt die Schätzung nahe an den Ergebnissen der Frühjahresdiagnose der Projektgruppe Gemeinschaftsprognose BIPKF DLOG(BIPK,0,4) 11
12 Ein Blick auf die Residuen zeigt die Abweichungen zwischen den tatsächlichen und den geschätzten Werten Residual Actual Fitted Wichtig ist jedoch, dass Prognosen nur dann verlässliche Werte aufweisen können, wenn die Modelle fehlerfrei sind, d.h. wenn die dem Verfahren der kleinsten Quadrate zugrundeliegenden Annahmen erfüllt sind, keine Muster in den Residuen und keine Strukturbrüche in den Daten vorliegen. Ohne die Analyse der Richtigkeit des Modells ist eine Prognose stets mit Vorsicht zu behandeln. 12
13 Ausrüstungsinvestitionen Eine solche Prognose kann nicht nur für das BIP erstellt werden, sondern auch für die realen Ausrüstungsinvestitionen getroffen werden. Diese werden jedoch von anderen Determinanten beeinflusst als das BIP, weswegen hier andere erklärende Variablen heranzuziehen sind. Eine gutes Prognosemodell könnte wie folgt aussehen: === Dependent Variable: DLOG(AUSIK,0,4) Method: Least Squares Date: 05/03/10 Time: 13:54 Sample (adjusted): 1995Q1 2009Q4 Included observations: 60 === Variable Coefficient Std. Error t-statistic Prob. === C DLOG(AUSIK(-4),0,4) DLOG(ZWP(-4),0,4) DLOG(AKT(-4),0,4) DLOG(GLE(-4),0,4) DLOG(PRODI(-4),0, LOG(ZWP(-4))-LOG(Z3(-4)) === R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criter Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn crite F-statistic Durbin-Watson stat Prob(F-statistic) === Das Bestimmtheitsmaß der Schätzung beträgt 62%. Alle erklärenden Variablen liefern einen signifikanten Einfluss. Je höher das Zinsniveau der Volkswirtschaft, desto geringer die Wachstumsrate der Ausrüstungsinvestitionen, da das Vorzeichen der Umlaufrendite negativ ist. Ein hoher Zuwachs der Ausrüstungsinvestitionen in der Vergangenheit hat ein positives Wachstum der Ausrüstungsinvestitionen in der Gegenwart zur Folge. 13
III. Prognosen - Teil 1
Universität Ulm 89069 Ulm Germany Dipl.-Kfm. Philipp Buss B.A. Alexander Rieber Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
MehrIII. Prognosen - Teil 1
Universität Ulm 89069 Ulm Germany B.Sc. Andreas Indlekofer Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2017 Übung
MehrÜbung II/III - Prognosen
Dipl. Vw. Matthias Kirbach Sommersemester 2006 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrÜbung 1 - Konjunkturprognosen
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2013/2014
MehrIV. Prognosen - Teil 2
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Jan Sommer Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
MehrIV. Prognosen - Teil 2
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
MehrEinführung zum Seminar Empirische Wirtschaftsforschung WS 2006/2007
UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Universität Ulm Abteilung Wirtschaftspolitik Ludwig-Erhard-Stiftungsprofessur Prof. Dr. Werner Smolny Dipl.-WiWi Kai Kohler Dipl.-WiWi Michael Alpert 1 Einleitung
MehrÜbungsfragen zur Empirischen Wirtschaftsforschung
Universität Ulm 89069 Ulm Germany Professor Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
MehrÜbungsfragen zur Empirischen Wirtschaftsforschung
Universität Ulm 89069 Ulm Germany Professor Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
MehrÜbungsfragen zur Empirischen Wirtschaftsforschung
Universität Ulm 89069 Ulm Germany Professor Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
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
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
MehrIV. Prognosen - Teil 2
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Klaus Gründler Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
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
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
MehrVI. Die Taylor Regel
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Klaus Gründler Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
MehrEmpirische Wirtschaftsforschung
Universität Ulm 899 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
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
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
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
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
MehrIV. Prognosen - Teil 2
Universität Ulm 89069 Ulm Germany B.Sc. Daniele Sabella Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2014 Übung
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:
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
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
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.
MehrÜbung zur Empirischen Wirtschaftsforschung. VII. Ökonometrische Testverfahren. 7.1 Geldnachfragefunktion. 7.2 Empirische Ergebnisse: Westdeutschland
Universität Ulm 89069 Ulm Germany Dipl.-WiWi. Christian Peukert Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
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
MehrÜbung 1 - Konjunkturprognosen
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2010/2011
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
MehrLudwig-Erhard-Stiftungsprofessur. Übung IV Prognosen
Universität Ulm 89069 Ulm Germany Christian Rupp Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung IV Prognosen
MehrÜbung VIII Ökonometrische Testverfahren
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
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
MehrÜbung zur Empirischen Wirtschaftsforschung. VII. Ökonometrische Testverfahren. 7.2 Die Geldnachfragefunktion
Universität Ulm 89069 Ulm Germany Dipl.-Kfm. Philipp Buss Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
MehrProf. Dr. Werner Smolny werner.smolny@mathematik.uni-ulm.de Dipl.-Ökonom Ralf Scherfling ralf.scherfling@mathematik.uni-ulm.de Universität Ulm Abteilung Wirtschaftspolitik Seminar zur Empirischen Wirtschaftsforschung
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
Mehr2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme)
2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme) Annahme A1: Im multiplen Regressionsmodell fehlen keine relevanten exogenen Variablen und die benutzten exogenen Variablen x 1,
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
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
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
MehrTaylor-Formel 1. Der Hauptteil wurde in Geld_period eingefügt. Die statistischen Unterlagen finden sich in Eviews: Konjunktur/SNA_Q
Taylor-Formel 1 Taylor-Formel Taylor-Formel 1 Kalibrierte und empirische Fassung 1 Schätzung für Österreich 1967-1992 2 Literatur 6 Anhang 6 Kalibrierte Fassung 6 Gleichung 2 8 Gleichung 3 9 Der Hauptteil
MehrPrognosen. Prognosen sind schwierig, besonders wenn sie die Zukunft betreffen. Auch ein Weiser hat nicht immer recht Prognosefehler sind hoch
Universität Ulm 8969 Ulm Germany Dipl.-WiWi Sabrina Böck Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 8/9 Prognosen
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
MehrÜbung zur Empirischen Wirtschaftsforschung IX. Einkommensfunktion
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
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 =
MehrDie Versteigerung der Zollkontingente beim Fleischimport: Wirkung auf den Wettbewerb
Die Versteigerung der Zollkontingente beim Fleischimport: Wirkung auf den Wettbewerb Dr. R. Joerin Departement für Agrar- und Lebensmittelwissenschaften ETH-Zürich Zürich, 31. Mai 2009 Dr. Robert Joerin
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung VI/ VII
Dipl. Vw. Matthias Kirbach Sommersemester 2006 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT CURANDO DOCENDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
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
MehrÜbung zur Empirischen Wirtschaftsforschung
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
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
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
MehrÜbung zur Empirischen Wirtschaftsforschung
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2009
MehrÜbung 2 - Teil 1. Volkswirtschaftliche Gesamtrechnung. 1 Konzept der Volkswirtschaftlichen Gesamtrechnung. 2 Übungsfragen zur VGR
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Sabrina Böck Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2008/2009
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
MehrÜbung zur Empirischen Wirtschaftsforschung VIII. Einkommensfunktion
Universität Ulm 89069 Ulm Germany B.Sc. Daniele Sabella Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2014 Übung
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
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
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
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)
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
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
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
MehrDynamische Modelle. 1 Ökonomische Relevanz. 2 Ökonometrische Modelle. a) Statisches Modell und Differenzenbildung
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
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
MehrAktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 2004) Forecasts und Evaluation
Aktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 24) Forecasts und Evaluation 1. Daten...2 2. Dynamische Forecasts...4 2.1 Exponential Smoothing...4 2.1.1 Double Exponential Smoothing...4 2.1.2 Holt-Winters...5
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
MehrBeispiel für Varianzanalyse in multipler Regression mit zwei erklärenden Variablen
4. Multiple Regression Ökonometrie I - Peter Stalder 1 Beispiel für Varianzanalyse in multipler Regression mit zwei erklärenden Variablen Hypothese: Die Inflation hängt positiv von der Inflation im Vorjahr
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
MehrVI. Die Taylor Regel
Universität Ulm 89069 Ulm Germany Filiz Bestepe, M.Sc. Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 016 Übung zur
MehrErgänzung der Aufgabe "Mindestlöhne" zu einer multiplen Regression
Prof. Dr. Peter von der Lippe ( Übungsblatt E) Ergänzung der Aufgabe "Mindestlöhne" zu einer multiplen Regression Das Beispiel "Mindestlöhne" zur einfachen multiplen Regression ergab die folgenden Parameter
MehrMakroökonomik. Übung 2 - Die Volkswirtschaftliche Gesamtrechnung. 2.1 Grundlegendes zur Volkswirtschaftlichen Gesamtrechnung
Universität Ulm 89069 Ulm Germany M.Sc. Filiz Kilic Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2017/2018 Makroökonomik
MehrMakroökonomik. Übung 2 - Die Volkswirtschaftliche Gesamtrechnung. 2.1 Grundlegendes zur Volkswirtschaftlichen Gesamtrechnung
Universität Ulm 89069 Ulm Germany M.Sc. Filiz Bestepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2014/2015 Makroökonomik
MehrKonjunktur und Wachstum
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2010/11
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:
MehrÜbung III/ IV. 1 Prognose. 2 Daten und Datenverfügbarkeit. Dipl. Vw. Matthias Kirbach Sommersemester 2005
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
MehrTutorium Wirtschaftsprognosen und Geldpolitik. Die Taylor Regel. 2 Die Taylor Regel. 3 Die Taylor Regel für die US-Geldpolitik. 4 Strukturbruchtest
Universität Ulm 89069 Ulm Germany Michael Elbert Alexander Rieber Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 011/01
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
MehrÜbung zur Empirischen Wirtschaftsforschung. I. Einführung. 1 Einführung in die Software EViews
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Thomas Roscher Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
MehrMakroökonomik. Übung 3 - Das IS/LM-Modell
Universität Ulm 89069 Ulm Germany M.Sc. Filiz Bestepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2014/2015 Makroökonomik
MehrInternationale Wirtschaftsentwicklung und Wirtschaftsaussichten Deutschland
Internationale Wirtschaftsentwicklung und Wirtschaftsaussichten Deutschland Klaus Abberger Ermatingen, September 2005 Die internationale Konjunktur Weltkonjunktur und ifo Weltwirtschaftsklima 8,0 7,0 6,0
Mehr5.6 Empirische Wirtschaftsforschung
5.6.0 Vorbemerkungen Literatur Winker, P. (2010): Empirische Wirtschaftsforschung und Ökonometrie. 3. Auflage. Springer. Insbesondere Kapitel 1, 4 und 10. Volltext-Download im Rahmen des LRZ-Netzes. Rinne,
MehrMakroökonomik. Übungsfragen
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Wintersemester
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
MehrÜbung zur Empirischen Wirtschaftsforschung. VI. Die Taylor Regel. 6.2 Die Taylor Regel. 6.3 Die Taylor Regel für die US-Geldpolitik
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Benedikt Blattner Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
MehrDeterminanten des Wechselkurses
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2009/2010
MehrWachstum und Außenwirtschaft. 1 Einführung. 1.1 Wachstum als wirtschaftspolitisches Ziel. 1.2 Stilisierte Fakten des Wachstumsprozesses
Universität Ulm 8909 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Wintersemester
Mehr