Einführung in Panel-Verfahren
|
|
- Dominik Kranz
- vor 7 Jahren
- Abrufe
Transkript
1 Einführung in Panel-Verfahren Thushyanthan Baskaran Alfred Weber Institut Ruprecht Karls Universität Heidelberg
2 Einführung Drei Arten von Datensätzen Cross-Section (Querschnitt) Time-Series (Zeitreihen) Panel Heute beschäftigen wir uns mit Panel-Datensätzen 2 / 14
3 Beispiel Table 1: Paneldaten Land Jahr GDP Inflation USA USA USA GER GER GER FRA / 14
4 Vorteile Wenigstens größere Samples Reichere Modelle Mögliche Lösung für das Unobserved Heterogeneity Problems Dynamische Modelle können geschätzt werden An sich keine Nachteile gegenüber reinen CS- und TS Datensätzen Allerdings müssen neue Verfahren gelernt werden 4 / 14
5 Was tun - mit Paneldaten? Paneldaten bedeuten, dass CS oder TS- Daten um eine zusätzliche Dimension erweitert werden Prinzipiell kann diese Dimension ignoriert und die alten Verfahren weiterhin benutzt werden Pooled OLS Oder es werden neue Verfahren verwendet, die die zusätzliche Dimension berücksichtigen Fixed Effects Modelle Random Effects Modelle 5 / 14
6 Das Allgemeine Modell Ein typisches allgemeines Modell ist k s N Y it = b 1 + b j X jit + γ p Z pi + δ t D t + ɛ it (1) j=1 p=1 t=1 Was bedeuten die ganzen Indizes und Parameter? Zunächst einmal: die ɛ it sind normalverteilte i.i.d Variablen 6 / 14
7 Das Allgemeine Modell Die X jit sind beobachtbare erklärende Variablen Die Z pi sind unbeobachtbare erklärende Variablen die in diesem speziellen Fall als zeitkonstant angenommen werden Da sie unbeobachtbar sind, kann man schreiben α i = s p=1 γ pz pi... und Y it = b 1 + k b j X jit + α i + j=1 N δ t D t + ɛ it (2) t=1 7 / 14
8 Interpretation als Fehlerterm Da die α i unbeobachtbar sind, stellen sie eine Art zusätzlichen Fehlers dar Der Modell kann also folgendermaßen geschrieben werden mit ν it = α i + ɛ it Y it = b 1 + k b j X jit + j=1 N δ t D t + ν it, (3) t=1 8 / 14
9 Annahmen über diesen Fehlerterm Es sind die Annahmen über Eigenschaften des α i - Terms, die die verschiedenen Panel-Verfahren motivieren Die α i korreliert mit den X j : Fixed Effects Modelle (FE) Die α i unkorreliert mit den X j, aber unterschiedlich zwischen den Cross-Section Einheiten: Random Effects Modell (RE) Die α i unkorreliert mit den X j und gleich zwischen den Cross-Section Einheiten: Pooled OLS 9 / 14
10 FE Verfahren Wenn die α i mit den X j korelliert sind, sind die Annahmen für Konsistenz von OLS nicht erfüllt Die Idee ist es, die Schätzgleichung so zu manipulieren, dass man die Parameter des ursprünglichen Modells weiterhin schätzen kann, aber die α i entfernt werden First Differences oder Within Estimator 10 / 14
11 First-Differences Bei First-Differences wird für jede Cross-Section Einheit die t 1 Beobachtung von Beobachtung t subtrahiert Y it Y i(t 1) = Also k N b j (X jit X ji(t 1) ) δ t (D t D t 1 )+(ɛ it ɛ i(t 1) ) j=1 Y it = k b j X jit j=1 t=1 N δ t D t + ɛ it (4) t=1... und die wichtigsten OLS Annahmen sind erfüllt Aber Autokorrelation in den Fehlern 11 / 14
12 Within-Schätzer Beim Within-Estimator wird von jeder Beobachtung der Cross-Section spezifische Mittelwert subtrahiert Der Cross-Section spezifische Mittelwert ist Ȳ i = b 1 + k b j X ji + j=1 N δ t D + α i + ɛ i (5) t=1 Subtraktion von den Originalbeobachtungen ergibt Y it Ȳ i = k N b j (X jit X ji ) + δ t (D t D) + ɛ it ɛ i (6) j=1 t=1 Womit die wichtigsten OLS Annahmen wieder erfüllt wären 12 / 14
13 Der Random Effects Schätzer Wenn der Cross-Section-spezifische Effekt unkorreliert mit den X j OLS ist konsistent Prinzipiell kann man ganz normal mit OLS schätzen Allerdings ist der zusammengesetzte Fehler ν it autokorreliert, wenn die α i zwischen den Individuen variieren Der RE Schätzer ist also ein spezieller GLS Schätzer, der dies berücksichtigt Insgesamt effizienter als Pooled OLS 13 / 14
14 Der Pooled OLS Schätzer Beim Pooled OLS-Schätzer sind die ν i annahmegemäß i.i.d. De facto wird so getan, als ob die zeitlich varierenden Beobachtung desselben Cross-Section Units von verschiedenen Units stammen Die zeitliche Dimension wird also ignoriert Der einzige Vorteil von Paneldaten ist hier ein größeres Sample Sehr einfaches, aber auch sehr unrealistisches Modell Ausserdem wird der eigentliche Zusatznutzen von Paneldaten nicht ausgenutzt 14 / 14
Einführung 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
MehrEmpirical Banking and Finance
Empirical Banking and Finance Vorlesung zur Volkswirtschaftspolitik Prof. Dr. Isabel Schnabel Lehrstuhl für Volkswirtschaftslehre, insb. Financial Economics Johannes Gutenberg-Universität Mainz Wintersemester
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrKap. 8: Regression mit Paneldaten
Kap. 8: Regression mit Paneldaten Einführung Paneldaten für zwei Perioden Regression mit festen Effekten bzgl. Individuen Regression mit festen Effekten bzgl. Zeit Annahmen in der Paneldatenanalyse Empirisches
MehrAngewandte Ökonometrie Übung. Endogenität, VAR, Stationarität und Fehlerkorrekturmodell
Angewandte Ökonometrie Übung 3 Endogenität, VAR, Stationarität und Fehlerkorrekturmodell Zeitreihenmodelle Zeitreihenmodelle Endogenität Instrumentvariablenschätzung Schätzung eines VARs Tests auf Anzahl
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Anne Neumann 21. Oktober 2015 Anne Neumann EWF 21. Oktober 2015 1 / 9 Inhaltsverzeichnis 1 Grobgliederung 2 Grundlagen Anne Neumann EWF 21. Oktober 2015 2 / 9 Grobgliederung
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
MehrEin Beispiel für die Anwendung von Methoden für Panel-Daten (Version 2)
Prof. Dr. Peter von der Lippe Jan 2011 (Version 1 war Febr. 2010) Ein Beispiel für die Anwendung von Methoden für Panel-Daten (Version 2) Im Folgenden beschreiben wir Verfahren und Erfahrungen mit EViews
Mehr1. Lösungen zu Kapitel 8
1. Lösungen zu Kapitel 8 Übungsaufgabe 8.1 a) Falsch! Die Nichtberücksichtigung von unwichtigen Variablen für die Identifikation kausaler Effekte stellt kein Problem dar, sofern diese Variablen keinen
MehrComputerübung 5. Empirische Wirtschaftsforschung. Willi Mutschler. Ökonometrie und Wirtschaftsstatistik Uni Münster. 26.
Computerübung 5 Empirische Wirtschaftsforschung Willi Mutschler Ökonometrie und Wirtschaftsstatistik Uni Münster 26. November 2010 Willi Mutschler (Uni Münster) Computerübung 5 26. November 2010 1 / 11
Mehr1. Lösungen zu Kapitel 7
1. Lösungen zu Kapitel 7 Übungsaufgabe 7.1 Um zu testen ob die Störterme ε i eine konstante Varianz haben, sprich die Homogenitätsannahme erfüllt ist, sind der Breusch-Pagan-Test und der White- Test zwei
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 27
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 27 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
MehrKlausur zur Vorlesung Methoden der empirischen Kapitalmarktforschung
Universität Augsburg Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Finanz und Bankwirtschaft Matrikelnummer Klausur zur Vorlesung Methoden der empirischen Kapitalmarktforschung Prof. Dr. Marco Wilkens
MehrKlausur in Mikroökonometrie Dauer: 90 Minuten
Prof. Regina T. Riphahn, Ph.D. Wintersemester 2003/04 Klausur in Mikroökonometrie Dauer: 90 Minuten Hinweis: Die Punktverteilung der Aufgaben entspricht dem empfohlenen zeitlichen Gewicht bei der Beantwortung.
MehrPanelregression (und Mehrebenenanwendungen)
Panelregression (und Mehrebenenanwendungen) Henning Lohmann Universität zu Köln Lehrstuhl für Empirische Sozial- und Wirtschaftsforschung SOEP@Campus 2007, Universität Duisburg-Essen, 11. Oktober 2007
MehrDatenanalyse mit Excel und Gretl
Dozent: Christoph Hindermann christoph.hindermann@uni-erfurt.de Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 1 Teil 2: Gretl Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 2 Modellannahmen
Mehr1 Statistische Grundlagen
Konzepte in Empirische Ökonomie 1 (Winter) Hier findest Du ein paar Tipps zu den Konzepten in Empirische 1. Wenn Du aber noch etwas Unterstützung kurz vor der Klausur brauchst, schreib uns eine kurze Email.
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
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
MehrEViews-Übung zu ECB Observer No. 8 (Part 2): How the ECB and the US Fed set interest rates. (Teil 1)
EViews-Übung zu ECB Observer No. 8 (Part 2): How the ECB and the US Fed set interest rates (Teil 1) Fragestellungen der empirischen Analyse: Wodurch wird das Zinssetzungsverhalten einer Zentralbank bestimmt?
MehrErgänzungsmaterial zur Vorlesung. Statistik 2. Modelldiagnostik, Ausreißer, einflussreiche Beobachtungen
Institut für Stochastik WS 2007/2008 Universität Karlsruhe JProf. Dr. H. Holzmann Dipl.-Math. oec. D. Engel Ergänzungsmaterial zur Vorlesung Statistik 2 Modelldiagnostik, Ausreißer, einflussreiche Beobachtungen
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
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
MehrMehr-Ebenen-Analyse I. Regressionsmodelle für Politikwissenschaftler
Mehr-Ebenen-Analyse I Regressionsmodelle für Politikwissenschaftler Was sind strukturierte Daten? Was ist Struktur? Probleme Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe)
MehrGeldpolitische Institutionen Teil 2. Steffen Ahrens Fakultät VII Geldtheorie- und Geldpolitik WS2013/2014
Geldpolitische Institutionen Teil 2 Steffen Ahrens Fakultät VII Geldtheorie- und Geldpolitik WS2013/2014 Gliederung: Teil 1: 1. Regelgebundene Geldpolitik Teil 2: 2. Delegation der Geldpolitik 3. Geldpolitik
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
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
MehrInstitut für Soziologie Christian Ganser. Methoden 2. Regressionsanalyse III: Diagnostik
Institut für Soziologie Methoden 2 Regressionsanalyse III: Diagnostik Wiederholung Regressionsanalyse beruht auf verschiedenen Annahmen Sind Annahmen verletzt, sind bestimmte Eigenschaften der Schätzer
MehrEinfache Modelle für Paneldaten. Statistik II
Einfache Modelle für daten Statistik II Wiederholung Literatur daten Policy-Analyse II: Statistik II daten (1/18) Literatur Zum Nachlesen Einfache Modelle für daten Wooldridge ch. 13.1-13.4 (im Reader)
MehrBeispiel: Evolution infizierter Individuen
Differentialgleichungen sind sehr nützlich in der Modellierung biologischer Prozesse, denn: damit kann man auch sehr komplizierte Systeme beschreiben die Mathematik liefert mit der gut entwickelten Theorie
MehrAnalyse von Querschnittsdaten. Spezifikation der unabhängigen Variablen
Analyse von Querschnittsdaten Spezifikation der unabhängigen Variablen Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 3.0.004 0.0.004
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrMehr-Ebenen-Modelle. Übersicht. VL Forschungsmethoden. VPC/Intra-Class-Correlation. 1 Einführung Strukturierte Daten Einfache Lösungen
VL Forschungsmethoden Übersicht 1 Strukturierte Daten Einfache Lösungen 2 Random & Fixed Typen von Modellen 3 4 (Quelle: Kawachi/Subramanian 2007) VL Forschungsmethoden (MLA 1/27) Strukturierte Daten Einfache
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrANalysis Of VAriance (ANOVA) 2/2
ANalysis Of VAriance (ANOVA) 2/2 Markus Kalisch 22.10.2014 1 Wdh: ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor X). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich
MehrMultiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)
Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang
Mehr1.8 Kolmogorov-Smirnov-Test auf Normalverteilung
1.8 Kolmogorov-Smirnov-Test auf Normalverteilung Der Kolmogorov-Smirnov-Test ist einer der klassischen Tests zum Überprüfen von Verteilungsvoraussetzungen. Der Test vergleicht die Abweichungen der empirischen
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrStatistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt 6 Gerhard Tutz, Jan Ulbricht WS 05/06.
Statistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt Gerhard Tutz, Jan Ulbricht WS 05/0 Lösung Aufgabe 4 Notation: X: Rauchen, Y : chronische Bronchitis S X {ja, nein} {a 1, a },
MehrZeitreihen. Statistik II
Statistik II Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Wiederholung Literatur -Daten Trends und Saisonalität Fehlerstruktur Statistik II (1/31) Zum Nachlesen
MehrUmverteilung als Versicherung
Umverteilung als Versicherung Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Fachbereich Finanzwissenschaft Alfred Weber Institut für Wirtschaftswissenschaften Ruprecht-Karls- Universität
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrNonparametric estimation of the probability of default 1
probability of default 1 probability of default 2 probability of default 3 Fixierte Studienzeit Fixierter Anteil an Toten (z.b. 80%) Fixierte Beobachtungsz. A B C D E 10 20 30 A B C D E 10 20 35 A B C
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
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
MehrKapitel 2.1: Die stochastische Sicht auf Signale Georg Dorffner 67
Kapitel 2.1: Die stochastische Sicht auf Signale 215 Georg Dorffner 67 Stochastische Prozesse Stochastische Prozesse sind von Zufall geprägte Zeitreihen x n f x, n 1 xn2,... n vorhersagbarer Teil, Signal
MehrProbeklausur Zeitreihenökonometrie (Sommersemester 2014) 1
Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Aufgabe 1: Betrachtet wird folgendes Modell zur Erklärung des Managergehalts salary durch den Umsatz sales, die Eigenkapitalrendite roe und die
MehrLineare Regression mit einem Regressor: Einführung
Lineare Regression mit einem Regressor: Einführung Quantifizierung des linearen Zusammenhangs von zwei Variablen Beispiel Zusammenhang Klassengröße und Testergebnis o Wie verändern sich Testergebnisse,
MehrStatistische Methoden für Bauingenieure WS 13/14. Einführungsbeispiel
Statistische Methoden für Bauingenieure WS 13/14 Einheit 2: Statistische Schätzverfahren Univ.Prof. Dr. Christian Bucher Einführungsbeispiel Wir wollen Beton mit einer vorgegebenen Festigkeitsklasse produzieren
MehrComputer Vision: Kalman Filter
Computer Vision: Kalman Filter D. Schlesinger TUD/INF/KI/IS D. Schlesinger () Computer Vision: Kalman Filter 1 / 8 Bayesscher Filter Ein Objekt kann sich in einem Zustand x X befinden. Zum Zeitpunkt i
MehrImputationsverfahren
Minh Ngoc Nguyen Betreuer: Eva Endres München, 09.01.2015 Einführung 2 / 45 Einführung 3 / 45 Imputation Prinzip: fehlende Werte sollen durch möglichst passenden Werte ersetzt werden Vorteil Erzeugen den
MehrEinführung in die Korrelationsrechnung
Einführung in die Korrelationsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Korrelationsrechnung
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
MehrWarum die Regelrente nicht die Regel ist!
Warum die Regelrente nicht die Regel ist! Folgeprobleme der Komplementaritäten zwischen Arbeitsmarkt und Alterssicherungssystem Dipl. Soz. Judith Anna Czepek Max Weber Institut für Soziologie Ruprecht
MehrEinführung in die (induktive) Statistik
Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung
MehrVorlesung 6: Alternativen zur Erwartungsnutzentheorie
Vorlesung 6: Alternativen zur Erwartungsnutzentheorie Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Entscheidung VL 6 (FS 11) Alternativen zur Erwartungsnutzentheorie 1 / 21 1.
Mehr1 Einleitung. 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen?
1 Einleitung 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen? Idee der Ökonometrie: Mithilfe von Daten und statistischen Methoden Zusammenhänge zwischen verschiedenen Größen messen. Lehrstuhl
Mehr4.5 Schranken an die Dichte von Kugelpackungen
Gitter und Codes c Rudolf Scharlau 19. Juli 2009 341 4.5 Schranken an die Dichte von Kugelpackungen Schon in Abschnitt 1.4 hatten wir die Dichte einer Kugelpackung, speziell eines Gitters bzw. einer quadratischen
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrEinführung in die Statistik Kapitel 6: Crash-Course in Statistik: Testtheorie
Einführung in die Statistik Kapitel 6: Crash-Course in Statistik: Testtheorie Jung Kyu Canci Universität Basel HS2015 1 / 15 Literatur Kapitel 6 Statistik in Cartoons : Kapitel 8 Krengel : 6 und 14 Storrer
MehrKorrelation und Regression
FB 1 W. Ludwig-Mayerhofer und 1 und FB 1 W. Ludwig-Mayerhofer und 2 Mit s- und sanalyse werden Zusammenhänge zwischen zwei metrischen Variablen analysiert. Wenn man nur einen Zusammenhang quantifizieren
MehrTerme und Aussagen und
1 Grundlagen Dieses einführende Kapitel besteht aus den beiden Abschnitten Terme und Aussagen und Bruchrechnung. Die Erfahrung zeigt, dass diese Dinge zwar in der Schule gelehrt und gelernt werden, dass
MehrWahrscheinlichkeitslimes und Konsistenz eines Schätzers
5.5. IV SCHÄTZUNG 1 5.5 Multivariate lineare Regression: Fehler in den Variablen, Proxies, Endogenität, Instrumentvariablenschätzung Wahrscheinlichkeitslimes und Konsistenz eines Schätzers Literatur: Gujarati
MehrSeminar zur Zahlentheorie Spezialfälle des Satzes von Fermat
Seminar zur Zahlentheorie Spezialfälle des Satzes von Fermat Vortrag von Kristina Rupp und Benjamin Letschert am 29.01.2008 Inhaltsverzeichnis 13 Speziallfälle des Satzes von Fermat 1 13.1 Der Große Satz
MehrUntersuchungen zum Thema Tracking Error
Untersuchungen zum Thema Tracking Error J. Fulmek 24. August 2003 1 Einleitung Im Folgenden werden folgende Punkte untersucht: 1. verschiedene in der Literatur übliche Definitionen des Tracking Errors
MehrTheoretische Physik I: Lösungen Blatt Michael Czopnik
Theoretische Physik I: Lösungen Blatt 2 15.10.2012 Michael Czopnik Aufgabe 1: Scheinkräfte Nutze Zylinderkoordinaten: x = r cos ϕ y = r sin ϕ z = z Zweimaliges differenzieren ergibt: ẍ = r cos ϕ 2ṙ ϕ sin
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
MehrDas Identifikationsproblem
Draft 1 Das Identifikationsproblem Simultane Strukturmodelle sind insbesondere in den Sozialwissenschaften wichtig, da dort Zusammenhänge sehr häufig interdependenter Natur sind. Dies wirft einige schwerwiegende
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Punkt- und Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr.
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrFolien für Ökonometrie III (Bachelor)
Folien für Ökonometrie III (Bachelor) Rolf Tschernig Universität Regensburg 16. Oktober 2013 1 1 Diese Version entspricht bis auf die Beseitigung einiger Tippfehler der Version vom 8. November 2012. Kathrin
Mehr8. Energie, Impuls und Drehimpuls des elektromagnetischen
8. Energie, Impuls und Drehimpuls des elektromagnetischen Feldes 8.1 Energie In Abschnitt 2.5 hatten wir dem elektrostatischen Feld eine Energie zugeordnet, charakterisiert durch die Energiedichte ω el
MehrAbschlussklausur zur Vorlesung Empirical Banking and Finance
Prof Dr Isabel Schnabel Johannes Gutenberg-Universität Mainz Abschlussklausur zur Vorlesung Empirical Banking and Finance Sommersemester 2010, 26072010, 15:00 17:00 Uhr Hinweise zur Klausur Die Klausur
Mehr8. G*Power. power3/ 8. Stichprobenumfang, Effekt- und Teststärke
8. G*Power http://www.psycho.uniduesseldorf.de/abteilungen/aap/g power3/ 8. Stichprobenumfang, Effekt- und Teststärke 8. Stichprobenumfangsplanung, Effektstärken und Teststärkenberechnung mit G*Power 3.0
MehrInferenz im multiplen Regressionsmodell
1 / 40 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 2 Ökonometrie I Michael Hauser 2 / 40 Inhalt ANOVA, analysis of variance korrigiertes R 2, R 2 F-Test F-Test bei linearen Restriktionen Erwartungstreue,
MehrDynamische Systeme eine Einführung
Dynamische Systeme eine Einführung Seminar für Lehramtstudierende: Mathematische Modelle Wintersemester 2010/11 Dynamische Systeme eine Einführung 1. Existenz und Eindeutigkeit von Lösungen 2. Flüsse,
MehrVergleich von experimentellen Ergebnissen mit realen Konfigurationen
Ähnlichkeitstheorie Vergleich von experimentellen Ergebnissen mit realen Konfigurationen Verringerung der Anzahl der physikalischen Größen ( Anzahl der Experimente) Experimentelle Ergebnisse sind unabhängig
MehrRäuber-Beute-Modelle, Auslese/Schwellensatz
Räuber-Beute-Modelle, Auslese/Schwellensatz Mareike Franz und Brigitte Steinhauser 15. Dezember 2008 1 / 37 1 Räuber-Beute-Modelle 2 Prinzip der Auslese durch Wettbewerb 3 Schwellensatz der Epidemiologie
MehrSeminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung
M.Sc. Brice Hakwa hakwa@uni-wuppertal.de Seminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung - Zusammenfassung zum Thema: Berechnung von Value-at-Risk
MehrAuswahl von Schätzfunktionen
Auswahl von Schätzfunktionen Worum geht es in diesem Modul? Überblick zur Punktschätzung Vorüberlegung zur Effizienz Vergleich unserer Schätzer für My unter Normalverteilung Relative Effizienz Einführung
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
MehrDifferentialgleichungen
Kapitel Differentialgleichungen Josef Leydold Mathematik für VW WS 05/6 Differentialgleichungen / Ein einfaches Modell (Domar) Im Domar Wachstumsmodell treffen wir die folgenden Annahmen: () Erhöhung der
Mehr6. Statistische Schätzung von ARIMA Modellen
6. Statistische Schätzung von ARIMA Modellen Vorschau: ARIMA Modelle Modellidentifikation verschiedene Schätzverfahren Modelldiagnostik Fallstudien Zeitreihenanalyse 1 6.1 ARIMA Modelle Bisher: ARMA(p,q)-Modelle:
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
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrMartin Siegel Verena Vogt Leonie Sundmacher. Dienstag, 18. März Technische Universität Berlin Gesundheitsökonomisches Zentrum (BerlinHECOR)
Hat sich gesundheitliche Ungleichheit in Ost- und Westdeutschland seit der Wiedervereinigung unterschiedlich entwickelt? Ein Vergleich anhand der Zerlegung von Konzentrationsindizes Martin Siegel Verena
MehrStatistische Methoden in der Politikwissenschaft
Seminar: Einblicke in verschiedene aktuelle Forschungsgebiete der Statistik Leitung: Prof. Dr. Thomas Augustin, Dr. Marco Cattaneo, Gero Walter, Andrea Wiencierz Referent: Kilian Wiedemann, Matrikelnr.:
MehrDie Analyse sozialen Wandels auf Basis wiederholter Querschnittserhebungen
Die Analyse sozialen Wandels auf Basis wiederholter Querschnittserhebungen Beitrag für den RatSWD-Nachwuchsworkshop: Längsschnittanalysen auf der Basis amtlicher Sozial- und Wirtschaftsdaten, Berlin, 25.-26.
MehrGemischte Modelle. Fabian Scheipl, Sonja Greven. SoSe 2011. Institut für Statistik Ludwig-Maximilians-Universität München
Gemischte Modelle Fabian Scheipl, Sonja Greven Institut für Statistik Ludwig-Maximilians-Universität München SoSe 2011 Inhalt Amsterdam-Daten: LMM Amsterdam-Daten: GLMM Blutdruck-Daten Amsterdam-Daten:
Mehr