Lehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Diplomprüfung Ökonometrie im SS 06
|
|
- Til Arnold
- vor 7 Jahren
- Abrufe
Transkript
1 Lehrsuhl für Sask und emp. rschafsforschung, Prof. Regna T. Rphahn, Ph.D. Muserlösung zur Dplomprüfung Ökonomere m SS 06 Aufgae 1: [ Punke] Ene USamerkansche Umwelehörde unersuch de Deermnanen der Lufqualä n Kalfornen. De Behörde sammel dazu für 1 Küsen und 9 Nchküsenregonen Daen üer de folgenden Indkaoren: arq: vala: ran: coas: dens: med: Index für Lufverschmuzung (er=00 e maxmaler, =0 e mnmaler Verschmuzung) erschöpfung von Unernehmen (n 1000 US$) Nederschlag (n KukZoll) Dummyvarale üer regonale Lage (1 = Küsenregon, 0 = sons) Bevölkerungsdche (pro QuadraMele) durchschnlches ProKopfEnkommen (n US$) De Behörde unersell folgendes Modell: arq = β + β vala + β ran + β coas + β dens + β med + e De Auswerung der Daen m R erg folgenden Oupu: Call: lm(formula = arq ~ vala + ran + coas + dens + med) Coeffcens: Esmae Sd. Error value Pr(> ) (Inercep) ? 1.53e07 *** vala ran coas ? ** dens med Sgnf. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Resdual sandard error: 4. on 4 degrees of freedom Mulple RSquared: 0.389, Adjused Rsquared:? sasc:? on 5 and 4 D, pvalue: a) Berechnen Se uner Angae des Rechenwegs (6 Punke) a1) den er für 0 ; 0 0 = = = ( ) se a) den Sandardfehler für 3 ; = se( 3 ) = = = se ( ) 3 3 a3) en 95% Konfdenznervall für ; [ c se( ) ; + c se( ) ] [ ; ] [ ; ] = = a4) de Sask; ( K ) R / /5 = = = /4 ( 1 R )/( N K) ( ) 1
2 Lehrsuhl für Sask und emp. rschafsforschung, Prof. Regna T. Rphahn, Ph.D. a5) das korrgere R. R = 1 1 N 1 1 N 1 Muserlösung zur Dplomprüfung Ökonomere m SS 06 e ( y y) ( y y) 1 R N 1 N 1 N K ( y y ) N K : = 1 R e = N 1 R = 1 ( 1 R ) N K 9 Her R = ( ) = 4 e ( 1 R ) ) Inerpreeren Se de Koeffzenen 3 und 5 nhallch und sassch. ( Punke) 3 : Leg de eoachee Regon an der Küse, so s de Lufqualä deulch esser, der Index snk um gu 33 Enheen; der Koeffzen s auf dem 1%Sgnfkanznveau (s. per) sassch sgnfkan. 5 : Der Koeffzen deue darauf hn, dass sch m jeder zusäzlchen Enhe Durchschnsenkommen de Lufqualä um 0.6 verschlecher; der Koeffzen s allerdngs nch sassch sgnfkan (am 10%Nveau). c) In ener zusäzlchen Schäzung wrd sa des asoluen eres der logarhmere er der Bevölkerungsdche verwende. Der geschäze Koeffzen eräg , der dazugehörge er.061. Inerpreeren Se nhallch und sassch. ( Punke) SemElaszä: Seg de Bevölkerungsdche um 1 Prozen, so veresser sch de Lufqualä um IndexEnheen; Der Koeffzen s am 5%Nveau nch sassch sgnfkan (krscher er am 10%Nveau e 30 6=4 rehesgraden:.064), am 10%Nveau s er sassch sgnfkan (krscher er: 1.711). d) In ener weeren Schäzung wrd dem Modell aus a) en Inerakonserm coas*med hnzugefüg. De geschäze Regressonsgerade laue: arq = *vala *ran 37.7*coas *dens 0.55*med *(coas*med). Berechnen Se den margnalen Effek des Durchschnsenkommens für Küsenregonen und für Nchküsenregonen und nerpreeren Se dese nhallch. (3 Punke) arq Margnaler Effek: = coas med arq = 0.55 med coas= 0 arq med = coas 1 = = ür Nchküsenregonen veresser sch de Lufqualä m jedem zusäzlchen Dollar Enkommen um 0.55 Indexenheen, für Küsenregonen veresser se sch um Enheen pro zusäzlchem Dollar.
3 Lehrsuhl für Sask und emp. rschafsforschung, Prof. Regna T. Rphahn, Ph.D. Muserlösung zur Dplomprüfung Ökonomere m SS 06 e) Beschreen Se de Vorgehenswese des BreuschPagan Tess. De aus dem ersen Modell (sehe Oupu) resulerende Tessask s BP= Tesen Se auf dem 5%Sgnfkanznveau, o Heeroskedase vorleg. (5 Punke) Vorgehenswese: quadrere ere der KQResduen auf de erklärenden Größen des KQModells regresseren; R aus Hlfsregresson m N mulplzeren; N*R s χ verel m J rehesgraden (J = Anzahl der Segungsparameer, also ohne Konsane). Tes: BP = ; krscher er der χ Verelung m df=5 und α=5%: < 11.07: De Nullhypohese, dass kene Heeroskedase vorleg, kann m dem Breusch Pagan Tes nch agelehn werden. f) Es eseh weerhn de Vermuung, dass de ehlerermvaranz m segendem Enkommen varer: var e = σ = σ * med, was zu Heeroskedase führen kann. (4 Punke) ( ) f1) Beschreen Se ene Vorgehenswese, das zugrunde legende Modell so zu ransformeren, dass en Modell m homoskedasschen ehler resuler und zegen Se lezeres. ransformeres Modell: Alles m 1/ med mulplzeren: arq 1 vala ran coas dens med e = β + β + β + β + β + β med med med med med med med med homoskedasscher ehlererm m ransformeren Modell: e 1 1 var = var ( e) = σ med = σ med med med f) e unerschede sch de Inerpreaon der Schäzergensse des Modells m ransformeren Daen von derjengen der Orgnalschäzung? Gar nch. Aufgae : [8 Punke] Ene Unernehmenseraung unersuch de relave Effzenz der enprodukon n 75 kalfornschen nzereen und leg herfür de folgende Produkonsfunkon zugrunde: woe y : xper : cap : la : y = β + β xper + β cap + β la + e, (Quanäs und Qualäs)Index der en nzere Erfahrung des Managers der en nzere Kapalensaz der en nzere Aresensaz der en nzere Zusäzlch seh noch Informaon üer das Aler des Managers der en nzere (age ) zur Verfügung. In der nachfolgenden Taelle snd de Ergensse ener KlensquadraeSchäzung (KQ), ener Hlfsregresson, ener IVSchäzung sowe ener KQSchäzung ener reduzeren Glechung dargeleg: 3
4 Lehrsuhl für Sask und emp. rschafsforschung, Prof. Regna T. Rphahn, Ph.D. Muserlösung zur Dplomprüfung Ökonomere m SS 06 (1) () (3) (4) KQ Hlfsregresson IV KQ Ah. Varale y y y xper Consan 1.76* * (1.06) (.19) (.7) (.57) cap 0.438*** 0.33*** 0.33** 0.407* (0.1) (0.1) (0.15) (0.1) la 0.39** 0.40** 0.40* (0.100) (0.097) (0.1) (0.18) xper 0.147** 0.51*** 0.51** (0.063) (0.18) (0.) age 0.166*** (0.053) ν 0.416** (0.19) Oservaons R Anmerkungen: Sandardfehler n Klammern; *** p<0.01, ** p<0.05, * p<0.1 a) De Unernehmenseraung vermue, dass xper m e korreler s. as wäre de Konsequenz?(P) enn xper endogen s, s verzerr und nkonssen. ) ür den DurnuHausman Tes wurde de Hlfsregresson n Spale () durchgeführ. Beschreen Se den Tes nklusve der Null und Alernavhypohese und führen Se hn durch. (4 P) H 0 : cov(xper, e) = 0 ; H 1 : cov(xper, e) 0 Vorgehenswese: Poenzell endogene Varale auf alle weeren erklärenden Größen des Modells (her: cap, la) und auf das Insrumen (her: age) regresseren (Spale 4); Resduen aus deser Hlfsregresson werden als erklärende Größe ν n weerer Hlfsregresson (Spale ) verwende; Is ν sgnfkan von Null verscheden (Tes), leg Endogenä vor; IV solle verwende werden. Her: ν s am 5%Nveau sgnfkan; Ergensse der IVSchäzung snd heranzuzehen. c) Is age en gues Insrumen für xper? Dskueren Se kurz de eden relevanen Aspeke. ( P) Gues Insrumen, wenn sassch sgnfkan und hohes R der Hlfsregresson. Her: age s sassch sgnfkan; R aus Hlfsregresson s jedoch nur mäßg hoch (17%). Aufgae 3: [16 Punke] Unersellen Se das wahre Modell y = x β + z γ + ε. a) Erläuern Se ausführlch de Auswrkungen für, wenn sa des wahren Modells nur y = x β + ε geschäz wrd. (3 Punke) Omed varale as: 1 1 N N N N Schäzer für : β + xx xz γ + xx xε = 1 = 1 = 1 = 1 Da (E{ε x } = 0) s der zwee Term m Erwarungswer glech Null; Erwarungswer von ensprch nur dann β, d.h. s nur dann unverzerr, wenn γ = 0 oder E{x z } = 0. 4
5 Lehrsuhl für Sask und emp. rschafsforschung, Prof. Regna T. Rphahn, Ph.D. Muserlösung zur Dplomprüfung Ökonomere m SS 06 ) Erläuern Se de Konsequenzen, wenn das Modell aus a) das wahre wäre, jedoch das engangs unerselle Modell geschäz würde. (1 Punk) wrd unverzerr, jedoch m zu hohen Sandardfehlern geschäz. c) e können Se allen m Hlfe der Schäzergensse aus Telaufgae a) emprsch de funkonale orm des Modells üerprüfen? Sellen Se Ihre Vorgehenswese kurz dar. (5 Punke) RESET Tes: KQ schäzen, vorhergesage ere ermeln; z.b. quadrere und kusche ere der Vorhersagen als erklärende Größen n Ausgangsmodell verwenden: y = x β + α yˆ + α yˆ + e 3 Tes auf Sgnfkanz der zusäzlchen Parameer (H 0 : α = α 3 = 0) ; falls sgnfkan: ehlspezfkaon (funkonale orm; Auslassen relevaner Varalen). d) De nachfolgende Taelle zeg KQ Schäzergensse ener Lohnfunkonsglechung, n der zunächs nur für Jahre der Bldung (educ) konroller wrd. De Schäzungen n den Spalen () und (3) konrolleren für Tesergensse enes IQTess (IQ) als Proxy für nch eoachare ähgkeen sowe für enen Inerakonserm zwschen educ und IQ. In der Schproe legen de Melwere (Sandardawechungen) für educ e (.0) und für IQ e (15.05). (7 Punke) Ah. Varale: log(wage) (1) () (3) Consan (0.113) (0.18) (0.546) educ (0.006) (0.007) (0.041) IQ (0.0010) (0.005) educ*iq ( ) Oservaons R Anmerkungen: Sandardfehler n Klammern d1) elchen Effek ha de Berückschgung von IQ auf educ? Inerpreeren Se de Ergensse n Spalen (1) und () nhallch. reurns o educaon snken von ca. 6.5% um ewa enen Prozenpunk auf ca. 5.4%. d) Spale (): e hoch s der Effek ener Segerung n IQ um ene Sandardawechung, ausgedrück n Enheen von educ? * = ; Ene Segerung n IQ um ene Sandardawechung ensprch dem Effek enes weeren Jahres Bldung. d3) Spale (3): e nerpreeren Se her educ? educ = 0.018, also knapp %: Basseffek der Bldung, wenn IQ von Null (!); Aufgae 4: [8 Punke] Unersellen Se das Modell y = x β + α + ε, m als Index für de Beoachungsenhe und als Index für de Beoachungsperode. a) Durch welche Annahmen unerscheden sch random effecs und fxed effecs Schäzer. (3 Punke) 5
6 Lehrsuhl für Sask und emp. rschafsforschung, Prof. Regna T. Rphahn, Ph.D. Muserlösung zur Dplomprüfung Ökonomere m SS 06 Naur des ndvduenspezfschen Effeks: fxer Effek (Dummy pro Beoachungsenhe, Nveauunersched zwschen Beoachungen) vs. normalvereler Besandel des ehlererms. Korrelaon von α m Kovaraen x : zulässg e fxed effecs Schäzer; nch zulässg e random effecs Schäzer. ) En Hausman Tes prüf, o de Ergensse enes random effecs oder fxed effecs Schäzers zu evorzugen snd. (5 Punke) 1) Skzzeren Se de Idee des Hausman Tess. H 0 : cov(α, x ) = 0 ; H 1 : cov(α, x ) 0 ˆRE β s nur dann konssen und effzen, wenn α und x unkorreler snd, ˆE β s uner der Nullund Alernavhypohese konssen; Tes, o Dfferenz der eden Schäzer sgnfkan: H 0 : plm( β β E RE ) der fxed effecs Schäzer heranzuzehen. ˆ ˆ = 0. enn sgnfkan, s ) De Tessask enes Hausman Tess se.33 e rehesgraden. Tesen Se auf dem 5% Sgnfkanznveau, o der random effecs oder der fxed effecs Schäzer heranzuzehen s. χ (df=, 5%) = 5.99 >.33 H 0 kann nch verworfen werden; Ergensse des random effecs Schäzers snd heranzuzehen. Aufgae 5: Gegeen se en Sörermprozess m folgender Srukur: ε = υ + υ + υ, 1 woe υ ~ N ( 0, σ υ ) und cov ( υ, υ ) 0 s. = s [11 Punke] a) Besmmen Se de Varanz von ε und de Kovaranz enacharer Sörerme ε und ε 1. (3 P) Varanz von ε : V ( ε) = V( υ + υ + υ 1 ) V( υ ) V( υ ) V( υ ) cov( υ, υ ) cov( υ, υ ) cov( υ, ) = υ = 3 σ υ Kovaranz enacharer Sörerme ε und ε 1 : ( ε, ε ) ( υ υ υ, υ υ υ ) = 0 = 0 = 0 cov = cov = σ υ ) Sellen Se de VaranzKovaranzMarx von ε dar. (4 Punke) 6
7 Lehrsuhl für Sask und emp. rschafsforschung, Prof. Regna T. Rphahn, Ph.D. Var ( ε ) Muserlösung zur Dplomprüfung Ökonomere m SS 06 3σ σ σ υ υ υ σ 3σ σ σ υ υ υ υ σ σ 3σ σ σ 0 0 υ υ υ υ υ 0 σ σ 3σ σ σ 0 0 υ υ υ υ υ 0 0 σ σ 3σ σ σ 0 0 υ υ υ υ υ = σ σ 3σ σ σ 0 0 υ υ υ υ υ 0 σ σ 3σ σ σ 0 υ υ υ υ υ 0 σ σ 3σ σ σ υ υ υ υ υ 0 σ σ 3σ σ υ υ υ υ σ σ 3σ υ υ υ, da cov( ε, ε ) = c) Beschreen Se enen emprschen Zusammenhang, e dem ene solche ehlerermsrukur vorkommen kann. (4 Punke) Bsp. Zerehenerachung des ers oder der Rendeenwcklung 3 Jahre laufender Bonds. erden von 3 Zufallsschocks n Peroden, 1 und eenfluss, nch von vorhergen oder späeren. σ υ Aufgae 6: [40 Punke] ahr oder falsch? Tragen Se für jede der folgenden Aussagen en w für wahr oder en f für falsch en. ür jede rchge Anwor g es 0.75 Punke, für jede falsche Anwor werden 0.75 Punke agezogen. De Gesampunkzahl kann nch negav werden. Das angepasse R ensprch der Korrelaon zwschen der ahänggen Varalen ener lnearen Regressonsglechung und hrem vorhergesagen er. rd em GMM Schäzer nch de opmale Gewchungsmarx gewähl, so snd de Parameerschäzer verzerr. Auokorrelere Sörermprozesse snd dann saonär, wenn der Enfluss vergangener Schocks auf de laufenden Sörerme m der Ze anmm. Im lnearen Regressonsmodell wrd unersell, dass de ahängge Varale kene Zufallsvarale s. Be Gülgke des GaussMarkov Theorems g es kenen Schäzer des lnearen Regressonsmodells m klenerer Varanz als de des Klensquadraeschäzers. Bem Leas Squares Dummy Varales Schäzer (LSDV) wrd en Klensquadraeschäzer auf en Modell angewende, e dem sowohl von der ahänggen Varale, we von den erklärenden Varalen de eoachungsspezfschen Melwere agezogen wurden. AR(1) Sörerme snd homoskedassch. Be endogenen erklärenden Varalen s ene GMM Schäzung dann effzen, wenn de Anzahl der Momenenedngungen (R) klener s als de Anzahl der zu schäzenden Parameer (K). Der Klensquadraeschäzer mnmer de Summe der quadreren horzonalen Awechungen von der Regressonsgerade. enn sa enes CochraneOrcu Schäzers en eraver CochraneOrcu Schäzer verwende wrd, seg de Effzenz der Schäzung. De Normalverelung s ene enparamerge Verelungsfunkon. 7
8 Lehrsuhl für Sask und emp. rschafsforschung, Prof. Regna T. Rphahn, Ph.D. Muserlösung zur Dplomprüfung Ökonomere m SS 06 Der DurnuHausman Tes auf Endogenä ener erklärenden Varalen wrd durchgeführ, ndem der Regressonsglechung ene zusäzlche erklärende Varale hnzugefüg wrd. Be negaver Auokorrelaon zweer Ordnung s der Durnason Tes nch durchführar. Man wähl den GIVE (generalzed nsrumenal varales esmaor) Schäzer, wenn mehr endogene erklärende Varalen als Insrumene vorlegen. De Nullhypohese H 0 : β c wrd e 1500 rehesgraden am 5 Prozennveau verworfen, wenn als Tessask der er klener als 1,645 s. enn alle erklärenden Varalen x srk exogen snd, s der whn Schäzer konssen. Jede Varale z kann als Insrumenvarale genuz werden, wenn Se m dem Sörerm des Regressonsmodells unkorreler s. De sassche Sgnfkanz enes Segungsparameers läss sch mels enes Tess esen. Der Durnason Tes verallgemener den he Tes. Um k Parameer zu denfzeren, enög man mndesens k Momenenedngungen. Der random effecs Schäzer kann de eween und fxed effecs Schäzer an Effzenz üerreffen. Be movng average Sörermprozessen kann de Korrelaon zwschen länger ausenanderlegenden Sörermen Null eragen. Der GoldfeldQuand Tes s en Tes auf de Glechhe der Varanz zweer Telschproen. enn gl E{x ε } = 0, sagen wr, dass x ene endogene erklärende Varale s. Um de Unverzerrhe des Klensquadraeschäzers zu ewesen, rauch man särkere Annahmen, als zum Nachwes sener Konssenz. Neweyes Sandardfehler korrgeren sowohl für Heeroskedase unekannen Ursprungs als auch für Auokorrelaonsmuser, de auf H Peroden eschränk snd. Der Tes auf gemensame Sgnfkanz ener Gruppe von erklärenden Varalen m Rahmen enes lnearen Modells kann mels R eren durchgeführ werden. he Sandardfehler korrgeren für Auokorrelaon eleger Ordnung. Ohne Kennns der Kovaranz zwschen den eden Schäzern kann der Hausman Tes zur Enschedung zwschen fxed und random effecs Schäzung nch durchgeführ werden. Be Modellen n srukureller orm s es möglch, dass erklärende Varalen m dem Sörerm korreler snd. Durch das Hnzufügen weerer erklärender Varalen kann der angepasse R er nch snken. enn der per größer s als das Sgnfkanznveau enes Tess, wrd de Nullhypohese verworfen. enn heeroskedassche Sörerme vorlegen, s der easle GLS Schäzer BLUE. Tess lassen sch m Rahmen des lnearen Modells n ald Tess üerführen, de χ verele Tessasken erzeugen. Modelle n reduzerer orm enhalen auf der rechen See kene endogenen erklärenden Varalen. 8
9 Lehrsuhl für Sask und emp. rschafsforschung, Prof. Regna T. Rphahn, Ph.D. Muserlösung zur Dplomprüfung Ökonomere m SS 06 Je nachdem, o de Schäzung m oder ohne Konsane durchgeführ wrd, sprch man e Paneldaen von fxed oder random effecs Schäzungen. Mhlfe des Akake Informaon Creron (AIC) und des Schwarz Bayesan Informaon Creron (BIC) wrd auf Srukurruch n den Daen geese. Mulkollnearäsproleme können durch Vergrößerung der Schproe reduzer werden. urden Segungsparameer m dem verallgemenere Klensquadraeschäzer geschäz, so s der Tes nch anwendar. Is ene erklärende Varale m Messfehler gemessen, so eschre der KQ Schäzer hres Segungsparameers m lnearen Modell konssen den Effek der gemessenen Varale. De Verelungsfunkon der Segungsparameer des lnearen Modells n klenen Schproen kann nur dann präzse eschreen werden, wenn de Verelung des Sörerms fesseh. G es verschedene Modelle, de ene ahängge Varale erklären können, so eschre der encompassng Tes, o en Modell den Erklärungserag des anderen m enhäl. De Annahme E{ε X} = 0 läss zu, dass de Varanz des ε von X ahäng. Der nchlneare Klensquadraeschäzer esmm dejengen Parameer, de de quadrere Summe der Sörerme mnmeren Auch e exaker Mulkollnearä kann der Klensquadraeschäzer unverzerr geschäz werden. Heeroskedassche Sörerme lden de Schocks vergangener Peroden a. Is ene erklärende Varale m Messfehler gemessen, so snd de KQ Schäzer des Segungsparameers des lnearen Modells und de der Regressonskonsane nkonssen. En Parameerschäzer s effzen, wenn er gegen senen wahren er konverger. Das Auslassen ener relevanen erklärenden Varalen führ zu üerhöhen Sandardfehlern. Der ChowTes üerprüf mels ener Tessask, o vorhergesage ere der ahänggen Varale den Erklärungsgehal des Modells erhöhen. Der verallgemenere Klensquadrae Schäzer wende den KQ Schäzer auf ransformere Varalen an. En Vorhersagenervall für en y 0 kann esmm werden, ohne den Parameerschäzer für de Regressonskonsane zu kennen. Enhäl das lneare Regressonsmodell ene verzögere endogene Varale (y 1 ), dann solle für den Tes auf Auokorrelaon erser Ordnung des Sörerms der Durnason Tes verwende werden. In der Paneldaenanalyse wrd sandardmäßg unersell, dass sch de Segungsparameer üer de Ze ändern. Is de ahängge Varale lognormal verel und n logarhmerer orm geschäz, so kann hr nchlogarhmerer er nur uner Berückschgung der Varanz des Sörerms vorhergesag werden. Be Auokorrelaon erser Ordnung gl das Gauss Markov Theorem nch mehr. De opmale Gewchungsmarx des GMM Modells ensprch der VaranzKovaranzmarx der Koeffzenen. Auch e verzerren Koeffzenen führ der Klensquadraeschäzer zu unverzerren Vorhersagen. 9
10 Lehrsuhl für Sask und emp. rschafsforschung, Prof. Regna T. Rphahn, Ph.D. Muserlösung zur Dplomprüfung Ökonomere m SS 06 De Annahme V{ε} = σ I gl uner Auokorrelaon, aer nch uner Heeroskedase. Unahängg von den Egenschafen des Sörerms ener lnearen Regressonsglechung führ de Berückschgung von verzögeren endogenen Varalen (y 1 ) zur Inkonssenz der geschäzen Segungsparameer. Aufgae 7: [15 Punke] ahr oder falsch? Begründen Se Ihre Auffassung (Bsp.: "Smm, wel..." zw. "Smm nch, wel..."). Nur e korreker Begründung erhäl jede rchge Anwor 1.5 Punke; Angaen ohne Begründung werden nch gewere. Der verallgemenere Klensquadraeschäzer kann als gewcheer KQ Schäzer nerpreer werden. da z.b. e Heeroskedasekorrekur alle Varalen m fxem akor gewche werden. Es s nch möglch, m Rahmen enes lnearen Regressonsmodells Elaszäen zu schäzen. Im loglog Modell geen Segungsparameer Elaszäen an. De ahrschenlchke enes Typ I ehlers s umso höher, je höher das Sgnfkanznveau α enes Tess. da α de Typ I ehlerwahrschenlchke mss. Am Sgnfkanznveau von 5 Prozen wesen en und zwesege Tess ener Hypohese den glechen krschen er der Tessask aus. da für zwesegen Tes der krsche er am.5 und 97.5 Perzenl der Verelung leg, für ensegen Tes am 95. Perzenl. De Unverzerrhe des Klensquadraeschäzers läss sch nch nachwesen, wenn E{X'ε}= 0. E{X e}=0 s Voraussezung dafür, dass Unverzerrhe nachwesar s. O "schwache Insrumene" vorlegen, läss sch durch ene Hlfsregresson üerprüfen. De Hlfsregresson üerprüf, we eng der Zusammenhang zwschen Insrumen und endogener Varale s. Der PE Tes ese n zwe Sufen, o das lneare oder loglneare Modell angemessen s. Sufe 1 s Schäzung der Modelle m y und log(y) als ah. Varale + Vorhersage. Anschleßend werden de Dfferenzen der vorhergesagen ere n den Modellen erückschg Alle ragesellungen der Paneldaenanalyse können auch m Querschnsdaen eanwore werden. ragen nach zelchen Veränderungen und Üergängen zwschen Zusänden lassen sch nch eanworen. Idensch und unahängg verele Sörerme können heeroskedassch sen. enn densch verel, konsane Varanz. Das GMM Verfahren nuz Annahmen an de Verelungsfunkon der ahänggen Varale. Be Momenenerachung spelen Annahmen an de Verelungsfunkon kene Rolle. 10
4.2 Zweistufige Methode der Kleinsten Quadrate
4.2 Zwesufge Mehode der Klensen Quadrae 4.18 Wdh.: Problem: Sörvarable snd m erklärenden Varablen der Srukurform, genauer: m gemensam abhänggen Varablen, korreler. Weerer möglcher Ausweg: 2SLS Unversä
MehrAufgaben mit Lösungen zur Ökonometrie I. 1. Ökonometrie und empirische Wirtschaftsforschung
Aufgaben m Lösungen zur Ökonomere I 1. Ökonomere und emprsche Wrschafsforschung 1.1 Erläuern Se de konsuonellen Elemene der Ökonomere! De Ökonomere s ene Schnmenge aus ökonomscher Theore, der Mahemak und
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Baseler Zwischenklausur im WS 02/03
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina T. Riphahn, Ph.D. Muserlösung zur Baseler Zwischenklausur im S 0/0 Aufgabe 1: [1] Mi den Daen von 177 Miewohnungen einer Schweizer Sad wurde
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Baseler Abschlussklausur im WS 02/03
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina T. Riphahn, Ph.D. Muserlösung zur Baseler Abschlussklausur im S 0/03 Aufgabe 1: [] Sie wollen die Skifahrgewohnheien von innen und Schweizern
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
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Baseler Abschlussklausur im WS 04/05
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina T. Riphahn, Ph.D. Muserlösung zur Baseler Abschlussklausur im S 04/05 Aufgabe : Als wissenschaflicher Miarbeier eines Schlafinsius versuchen
Mehr8. Elementare Zeitreihenanalyse
8 Elemenare Zerehenanalse De Komponenen ener Zerehe: Suaon: De Schprobenwere enes Merkmals Y werden m Zeablauf, also zu besmmen Zepunken, =,, n, beobache Zerehe In wrschaflchen Anwendungen wrd häufg unersell,
Mehr= (Freiheitsgrade = T - Anzahl der geschätzten Parameter = = 565)
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina. Riphahn, Ph.D. Muserlösung zur Diplomvorprüfung Saisik II Einf. Ökonomerie im SS 06 Aufgabe : [0 Punke] Sie führen eine Regression der Arbeisnachfrage
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:
MehrLösungen der Übungsaufgaben zu Kapitel 7
Kapel 7: Prmzahlen Lösungen der Übungsaufgaben zu Kapel 7 Ü: Se p IP belebg gewähl. IA: n = : Zu zegen s p a a p a p a, des s aber genau de Aussage von Saz 7. und dam beres bewesen. IS: Se IN m belebg
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
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,
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
Mehr4. Ratenmonotones Scheduling Rate-Monotonic Scheduling (LIU/LAYLAND 1973)
4. Raenmonoones Schedulng Rae-Monoonc Schedulng (LIU/LAYLAND 973) 4.. Tasbeschrebung Tas Planungsenhe. Perodsche Folge von Jobs. T = {,..., n } Tasparameer Anforderungsze, Bereze (release me) Bearbeungs-,
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
MehrNachtrag Nr. 72 a. gemäß 10 Verkaufsprospektgesetz (in der vor dem 1. Juli 2005 geltenden Fassung) Unvollständigen Verkaufsprospekt
London Branch Nachrag Nr. 72 a gemäß 10 Verkaufsprospekgesez (n der vor dem 1. Jul 2005 gelenden Fassung) vom 6. November 2006 zum Unvollsändgen Verkaufsprospek vom 31. März 2005 über Zerfkae auf * über
Mehr( ) a) Berechnen Sie unter Angabe des Rechenwegs die im Output fehlenden Werte für (5 Punkte) a1) den t-wert für b 1 ; t 0.099
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina. Riphahn, Ph.D. Muserlösung zur Diplomvorprüfung Saisik II Einf. Ökonomerie im S 05/06 korrigiere Fassung v. 7.06.007 Aufgabe : [45 Punke] Eine
Mehr6 Navigation für autonome mobile Roboter Grundlagen
6 Navgaon für auonome moble Roboer Grundlagen Navgaon für auonome moble Roboer Problemsellung Bezechnungen Bayes Fler Sensormodell Bewegungsmodell Karenersellung Umgebungsmodellerung Selbslokalsaon Kalman
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
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 )
MehrI, U : Momentanwerte für Strom und Spannung I 0, U 0 : Scheitelwerte für Strom und Spannung
Wechselsrom B r A B sn( sn( Wrd de eerschlefe über enen Wdersand kurzgeschlossen fleß en Srom: sn( sn(, : Momenanwere für Srom und Spannung, : Scheelwere für Srom und Spannung ~ sn( sn( Effekvwere für
Mehr1.6 Energie 1.6.1 Arbeit und Leistung Wird ein Körper unter Wirkung der Kraft F längs eines Weges s verschoben, so wird dabei die Arbeit
3.6 Energe.6. Arbe und Lesung Wrd en Körper uner Wrkung der Kraf F längs enes Weges s verschoben, so wrd dabe de Arbe W = F s Arbe = Kraf Weg verrche. In deser enfachen Form gülg, wenn folgende Voraussezungen
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. R. T. Riphahn, Ph.D. Diplomvorprüfung Statistik II Einf. Ökonometrie im WS 07 / 08
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. R. T. Riphahn, Ph.D. Diplomvorprüfung Saisik II Einf. Ökonomerie im S 7 / 8 Aufgabe : ( Punke) Sie sind am Konsumverhalen in Ihrem persönlichen Umfeld
Mehr5. Autokorrelation und Heteroskedastizität
5. Auokorrelao ud Heereskedaszä Ökoomere I - Peer Salder 5. Auokorrelao ud Heeroskedaszä (Maddala Kapel 5 ud 6) Daegeerereder Prozess:... u u ~ IN( 0, ) Geschäze Regressosglechug: ˆ ˆ ˆ... û Schäzug der
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
MehrKoeffizienten(a) Modell Koeffizienten T Signifikanz
Lehrsuhl für Saisik und empirische Wirschafsforschung, Prof. Riphahn, Ph.D. Bachelorprüfung, Empirische Wirschafsforschung Fach: Prüfer: Bachelorprüfung Empirische Wirschafsforschung Prof. Regina T. Riphahn,
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
MehrAufgabe 1. Die Marktforscher unterstellen folgendes Modell: Die Auswertung der Daten mit R ergab folgenden Output:
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina T. Riphahn, Ph.D. Muserlösung zur Diplomvorprüfung Saisik II Einf. Ökonomerie im SS 05 Aufgabe 1 [46 Punke] Ein Markforschungsunernehmen wurde
MehrLehrstuhl für Statistik und emp. Wirtschaftsforschung, Prof. Regina T. Riphahn, Ph.D. Musterlösung zur Baseler Abschlussklausur im WS 03/04
Lehrsuhl für Saisik und emp. irschafsforschung, Prof. Regina T. Riphahn, Ph.D. Muserlösung zur Baseler Abschlussklausur im S 03/04 Aufgabe 1: Im Nachlass eines von Sudenen gemeuchelen Ökonomerie-Assisenen
MehrControlling (Nebenfach) Wintersemester 2012/2013
echnsche Unversä München Conrollng (Nebenfach) Wnersemeser 22/23 Mschrf der orlesung vom 3..22 Dr. Markus Brunner Lehrsuhl für Berebswrschafslehre Conrollng echnsche Unversä München Conrollng WS 22/3 2
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
MehrTransformation in der Gesichtserkennung
Transformaon n der Geschserkennung en Proek m Rahmen des Proekkurses Bldanalse und Obekerkennung Seffen Mankecz Mchael Rommel Rober Sen Sebasan Thebes. Enleung De Erkennung von Geschern und Gennung von
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.
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
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 + + +
MehrDie Arbeitsmarkteffekte der Zuwanderung eine empirische Analyse für Deutschland
Dpl.-Volkswr Max Fredrch Senhard De Arbesmarkeffeke der Zuwanderung ene emprsche Analyse für Deuschland Im November 27 konne das Sassche Bundesam m Rahmen des Gerhard-Fürs-Preses nsgesam dre hervorragende
Mehr(4) NURBS. Vorlesung Computergraphik III S. Müller U N I V E R S I T Ä T KOBLENZ LANDAU
URS Vorlesung Compuergraph III S. Müller U I V E R S I T Ä T KOLEZ LADAU U I V E R S I T Ä T KOLEZ LADAU S. Müller - - Wederholung I -Splnes ass-splnes Reursve Defnon der assfunonen ähnlch e be ézer durch
MehrHittorfsche Überführungszahl
Insu für Physkalsche Cheme Forgeschrenenprakkum 4. Horfsche Überführungszahl Sand 06/04/05 Horfsche Überführungszahl Grundlagen zum Versuch Komponenen - Glechspannungsquelle - Elekrolyse-Apparaur - P-Elekroden.
MehrAerodynamik des Flugzeugs Numerische Strömungssimulation
Aerodnamk des Flgzegs Nmersche Srömngssmlaon Enleng Srömngssmlaon n Wndkanälen 3 Nmersche Srömngssmlaon 4 Poenalsrömngen 5 Tragflügel nendlcher Sreckng n nkompressbler Srömng 6 Tragflügel endlcher Sreckng
MehrAufgaben zur Ökonometrie I
Aufgaben zur Ökonomerie I 4. Mulikollineariä 4. Worin beseh das Problem der Mulikollineariä? A. Perfeke Mulikollineariä Perfeke Mulikollineariä lieg dann vor, wenn zwei oder mehrere unabhängige Variable
MehrDas Bayessche Theorem ist ein Ergebnis aus der Wahrscheinlichkeitstheorie und liefert einen Zusammenhang zwischen bedingten Wahrscheinlichkeiten.
ayessches Theorem Das ayessche Theorem st en Ergens aus der ahrschenlchetstheore und lefert enen Zusammenhang zwschen edngten ahrschenlcheten.. ayessches Theorem für Eregnsse Senen und zwe elege Eregnsse.
Mehr4 Bipolare Logikschaltungen
Das Großsgnalverhalen des polarranssors 4-1 4 polare Logkschalungen 4.1 Das Großsgnalverhalen des polarranssors m Klensgnalbereb waren de Ampluden der Wechselsröme und -spannungen wesenlch klener als de
Mehr3. Echtzeit-Scheduling Grundlagen
3. Echze-Schedulng Grundlagen 3.1. Grundbegrffe, Klassfkaon und Bewerung Grundbegrffe Job Planungsenhe für Schedulng e wce r d Ausführungsze, Bearbeungsze (execuon me) maxmale Ausführungsze Fregabeze,
Mehr6.3.1 Allgemeiner Bayes-Filter
6.3 Baes Fler 6.3. Allgemener Baes-Fler Sa von Baes ' ' ' η Sa über de oale Wahrschenlchke Besel oen oen oen Beobachung lecher u ermeln Besel oen.6 oen. 3 oen.5 oen. 5 oen oen oen oen oen oen oen.6.5 oen.6.5.3.5
MehrAufgaben: Repetition Ökonometrie I - Lösungen
Ökonomerie I - Peer Salder Aufgaben: Repeiion Ökonomerie I - Lösungen Aufgabe (Radiowerbung für Kino): Die Schäzung der Regressionsgleichung U W u U : Wochenumsaz, W : Werbeausgaben ergib: 000, 07., SE
MehrÜbungsblatt 4 - Lösung
Formle Sprchen und Automten Üungsltt 4 - Lösung 26. M 2013 1 Whr oder flsch? Begründe kurz dene Antwort! 1. In enem determnstschen endlchen Automten gt es für jedes Wort w Σ mxml enen kzepterenden Pfd.
MehrVorlesung: "Grundlagen ingenieurwissenschaftlichen Arbeitens (GIA)"
6 Zuverlägke und Produklebenzyklu 6. Genaugke und Fehlerverhalen 6.2 Technche Zuverlägke 6.2. Klafkaon von Aufällen 6.2.2 Aufall- und Überlebenwahrchenlchke 6.2.3 Fehlerrae 6.3 Zuverlägke von Hardware-Funkonen
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
MehrÜbung zu Quantitative Methoden der Marktanalyse. Tests zu den Annahmen der OLS-Schätzung. 1. Annahmen zur OLS-Schätzung. 1. Annahmen zur OLS-Schätzung
Termin Übungsinhal Übung zu Quaniaive Mehoden der Markanalyse Annahmen derols-schäzung 9.06.009 9.06.009 Tess zu den Annahmen der OLS- Schäzung 06.07.009 Klausurvorbereiung.07.009 Klausurvorbereiung 0.07.009
MehrANSÄTZE ZUR (AUF-)LÖSUNG EINES ALTEN METHODENSTREITS: ÖKONOMETRISCHE SPEZIFIKATION VON PROGRAMMIERUNGSMODELLEN ZUR AGRARANGEBOTSANALYSE
ASÄTZE ZUR (AUF-)LÖSUG EIES ALTE METHODESTREITS: ÖKOOMETRISCHE SPEZIFIKATIO VO PROGRAMMIERUGSMODELLE ZUR AGRARAGEBOTSAALYSE Refera von Thomas Heckele und Hendrk Wolff * * Insu für Agrarpolk, Markforschung
MehrEmpirische Wirtschaftsforschung
Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung
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
MehrIK: Einkommen, Beschäftigung und Finanzmärkte (Sommersemester 2011) Wichtige makroökonomische Variablen
IK: Enkommen, Beschäfgung und Fnanzmärke (Sommersemeser 2011) Wchge makroökonomsche Varablen 1 Überblck Aggregerer Oupu Berechnung des BIP; reales vs. nomnales BIP Wachsum Arbeslosgke/Arbeslosenquoe Inflaon
MehrDie Kapitalkosten von Unternehmen mit wertorientierter Finanzierungspolitik
De Kapalkosen von nernehmen m werorenerer Fnanzerungspolk Manuskrpe zur Bereswrschalehre des Facherechs Wrscha der Fachhochschule Trer r. 6 Pro. Dr. Felx Sreerd Okoer 2008 Manuskrpe zur Bereswrschaslehre
MehrKapitel 5: Koordination der Personalführung im Führungssystem
Kapel 5: Koordnaon der Personalführung m Führungssysem 5.1 Bezehungen zwschen Conrollng und Personalführung Kapel 5 5.2 Koordnaon der Personalführung m dem Informaonssysem 5.3 Koordnaon der Personalführung
MehrIK: Einkommen, Beschäftigung und Finanzmärkte (Wintersemester 2011/12) Wichtige makroökonomische Variablen
IK: Enkommen, Beschäfgung und Fnanzmärke (Wnersemeser 2011/12) Wchge makroökonomsche Varablen 1 Überblck Aggregerer Oupu Agg. Oupu hs. Abrss Berechnung des BIP; reales vs. nomnales BIP, BIP vs. BNE, verkeees
MehrKlausur: Unternehmen, Märkte, Volkswirtschaften, Wintersemester 2014/2015
Klausur: Unernehmen, Märke, Volkswrschafen, Wnersemeser 2014/2015 Hnwese: Es wrd nur der Lösungsbogen engesammel. Enräge n der Aufgabensellung werden nch gewere! Be noeren Se Ihre Markelnummer und Ihren
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.
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
MehrRelexionsseismik Prozessingschema
Refleonssesmk Prnzp Daenbearbeung KGH Sesmsche Eploraonserfahren Tel 9 - Slde Releonssesmk Prozessngschema Feld 'apes' Obserer's log PREPROCESSING Demulple Edng Gan recoery Feld geomery Applcaon of feld
MehrEnergieeffizienz-Betrachtung einer Anlage durch Energiemessung
Applcaon Noe DK9221-1109-0007 Messechnk Keywords Energemessung Lesungsfakor Energeanalyse EherCAT-Klemme Busklemme KL3403 EL3403 Energeeffzenz-Berachung ener Anlage durch Energemessung Deses Applcaon Example
MehrInstitut für Statistik und Ökonometrie
Insu für Sask und Ökonomere De Enwcklung des Geldvermögens der prvaen Haushale n Deuschland Andreas Handel Arbespaper Nr. 24 (Sepember 2003) Johannes Guenberg-Unversä Fachberech Rechsund Wrschafswssenschafen
MehrImportance Sampling: Theorie und Anwendungen in der Optionsbewertung
Imporance Samplng: heore und Anwendungen n der Oponsbewerung engerech von: Alexander Exner DIPLOMARBEI zur Erlangung des akademschen Grades Magser rerum socalum oeconomcarumque Magser der Sozal- und Wrschafswssenschafen
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
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
MehrKurzrepetition Ökonometrie I - Lösungen
. Einführung Ökonomerie II - Peer Salder Kurzrepeiion Ökonomerie I - Lösungen Aufgabe (Inerpreaion von Regressionsergebnissen) a) Der prozenuale Aneil der Varianz der abhängigen Variablen, der durch die
Mehr4.1 OLS a) OLS-Schätzung der Koeffizienten der Strukturform
4. Schäzmehoden 4. 4. OLS a) OLS-Schäzung der Koeffizienen der Srukurform OLS liefer verzerre und nich konsisene Schäzungen der Koeffizienen der Srukurform inerdependener Modelle, weil i.a. Sörvariable
MehrEin Skript der Vorlesung. Höhere Mathematik für Physiker Kapitel Jordan-Normalform
En Skrp der orlesung Höhere Mahemak für Physker Kapel Jordan-Normalform Dr. Peer Gesl TU München 4. Semeser SS Daum: 6.6. von Mchael Wack Chrsoph Moder Manuel Saebel ( ) hp://www.skrpweb.de Hnwese (z.b.
MehrCayleys Formel. Drei Beweise durch geschicktes. Zahlen. Marc Wagner. Ferienakademie, September 1999
Cayleys Formel Dre Bewese durch geschces Zahlen Marc Wagner mcwagnersud.nforma.un-erlangen.de Ferenaademe, Sepember 999 Vorberachungen Labeled Trees (nummerere Baume) En Labeled Tree s en zusammenhangender,
MehrDo climate policies crowd out individual contributions? An experimental study on instantenous and permanent crowding out
Do lmae poles rowd o ndvdal onrbons? An expermenal sdy on nsanenos and permanen rowdng o Mahas Frhow, Roland Menges (TU Clashal) Sefan Trab (Un Bremen) Berag zr IEWT 2011 TU Wen 16.-18. Febrar 2011 1 An
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
MehrZeitreihenökonometrie
ifo Insiu für Wirschafsforschung an der Universiä München Zeireihenökonomerie Kapiel 6 Nichsaionäre univariae Zeireihenmodelle ifo Insiu für Wirschafsforschung an der Universiä München Nichsaionäre Prozesse
MehrInstitut für Halle Institute for Economic Research Wirtschaftsforschung Halle
Insu für Halle Insue for Economc Research Wrschafsforschung Halle Das Insu für Wrschafsforschung Halle s Mgled der Lebnz-Gemenschaf Mkroökonomersche Evaluaon und das Selekonsproblem En anwendungsorenerer
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
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
MehrEconometrics Übung 1. CLRM & Verletzung der Unabhängigkeitsannahme
Econometrics Übung 1 CLRM & Verletzung der Unabhängigkeitsannahme CLRM 1. Repetition: Gauss-Markov-Annahmen 2. Beispiel: Income & Consumption Verletzung der Unabhängigkeitsannahme 3. Repetition: Was passiert,
Mehr3 Modelle der Ereignisanalyse
3 Modelle der Eregnsanalyse 3.1 Grundlagen der Eregnsanalyse Gng es m vorangegangenen Kapel 2 um dskree oder begrenz abhängge Varablen, de wr m Kern auf laen sege und unbegrenz abhängge Varablen zurückgeführ
Mehr1 Der Uncovering-by-bases-Algorithmus
De Komplextät des Uncoverng-y-ases-Algorthmus Peer Hlderandt 1 Der Uncoverng-y-ases-Algorthmus 1.1 Defnton (Der Algorthmus) Se G ene Gruppe, U en Uncoverng durch Basen und w = w 1... w n en empfangenes
MehrStephan Brumme, SST, 2.FS, Matrikelnr konvergiert und der Grenzwert 1 ist, d.h. es gilt: 1. k 1
Stehn Brumme, SST,.FS, Mtrelnr. 7 5 44 Aufge... Zegen Se, dss de Folge onvergert und der Grenwert st, d.h. es glt lm Es st u egen, dss ene Nullfolge st D ene Nullfolge st, stellt ene onvergente Folge mt
MehrGruppe. Lineare Block-Codes
Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
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
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
Mehrc) Berechnen Sie mit Hilfe der Methode der kleinsten Quadrate für alle gegebenen Quartalswerte der Beschäftigten einen linearen Trend.
Dr. Demar Hubrch Vorbereung auf Übungsaufgaben Fachhochschule der de Laufbahnprüfung ale modfzere Klausur Deuschen Bundesbank Sask See Aufgabe Aus ener sasschen Veröffenlchung der Deuschen Bundesbank ennehmen
MehrFortschreibung von Zeitreihen der regionalen VGR unter Berücksichtigung der Aggregationsrestriktion eine alternative Methode
Forschrebung von Zerehen der regonalen VGR uner erückschgung der ggregaonsresrkon ene alernave Mehode Vorrag m Rahmen des 7. erlner VGR-Kolloquums (.-3.06.04) Dr. Udo Vullhors Refera Wrschafswssenschaflche
MehrB) Grammatik/Rechtschreibung (Richtzeit: ca. 35min)
B) Grmmk/Rechschrebung (Rchze: c. 35mn) 1. Besmme de Worr der unersrchenen Wörer! Besmme be den Pronomen und den Prkeln nur de Unergruppen! Des(1) wusse() ch(3) schon or() mener(5) Leserese(), denn(7)
MehrBogenlängen. Beispiele: Die Länge eines Grafen (Bogenlänge) einer Funktion f über [ a ; b ] läßt sich berechnen mit der Formel :
Bogeläge De Läge ees Gre Bogeläge eer Fuko üer [ ; ] läß sch ereche m der Formel : l ' d Des ühr de mese Fälle u komplzere Iegrde, de sch häug ur äherugswese ereche lsse. Bespele: De Keele m h, e e - h
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,...,
MehrProdukt-Moment-Korrelation (1) - Einführung I -
Produkt-Moment-Korrelaton - Enführung I - Kennffer ur Bechreung de lnearen Zuammenhang wchen we Varalen X und Y. Bechret de Rchtung und de Enge de Zuammenhang m Snne von je... deto... oder wenn... dann...
MehrTheoretische Physik II Elektrodynamik Blatt 2
PDDr.S.Mertens M. Hummel Theoretsche Physk II Elektrodynamk Blatt 2 SS 29 8.4.29 1. Rechnen mt Nabla. Zegen Se durch Auswertung n kartesschen Koordnaten de folgende Relaton und werten Se de anderen Relatonen
MehrAspekte der stochastischen Modellierung von Ausfallwahrscheinlichkeiten in Kreditportfoliomodellen
Aspeke der sochasschen Modellerung von Ausfallwahrschenlchkeen n Kredporfolomodellen von Rüdger Kesel, London School of Economcs and Polcal Scences, London. Bernd Schmd, Rsklab Germany, München. 1. Enleung.
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
MehrGUTENBERG Produktions- und Kostenfunktion
Produonswrschf 41533 E1 Guenberg Produonsfunon GUTENBERG Produons- und osenfunon PRODUTIONSFUNTION - lonl (echnsch vorgegebenes Forenszverhälns) - lner und nchlner Merl - Produonsoeffzen ( ) und so de
MehrPortfolioeffekte bei der Kreditrisikomodellierung
Porfoloeffeke be der Kredrskomodellerung 1 Porfoloeffeke be der Kredrskomodellerung Mark Wahrenburg 1 und Susanne Nehen Kurzfassung Für vele Fragesellungen m Rahmen der Bewerung kredrskobehafeer Fnanzel
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
MehrSchätzverfahren bei der linearen Einfachregression
chäzverfahre e der leare fachregreo Kofdezervalle der Regreokoeffzee Kofdezervalle der Progoewere Prof. Kück / Dr. Rcaal Delgado Lehruhl ak Regreo IV lografe: Prof. Dr. Kück Uverä Roock ak, Vorleugkrp.
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
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
MehrDie relevanten Cash Flows in der Unternehmensbewertung aus der Sicht des Rechnungswesens
De relevnen Csh Flows n der Unernehmensbewerun us der Sch des Rechnunswesens Edwn O Fscher rl-frnzens-unversä rz Oober 26 DCF-Bssmodelle Percen of Sles-Mehode Fllsude Übersch o onsner Verschuldunsrd o
Mehr