Empirische Wirtschaftsforschung in R
|
|
- Max Feld
- vor 6 Jahren
- Abrufe
Transkript
1 Empirische Wirtschaftsforschung in R Schätzung der keynesianischen Geldnachfragefunktion auf Basis von Daten der dänischen Volkswirtschaft Jonas Richter-Dumke Universität Rostock, Institut für Volkswirtschaftslehre / 31
2 Zielsetzung Ziel: Empirische Validierung der keynesianischen Geldnachfragefunktion auf Basis von Daten der dänischen Volkswirtschaft mit der Methode der linearen Regression zentrale Frage: Kann die keynesianische Geldnachfragefunktion die Entwicklung in der dänischen Volkswirtschaft erklären? 2 / 31
3 Theorie Die Keynesianische Theorie der Geldnachfrage Geld ist Mittel zur wirtschaftlichen Transaktion und zur Wertaufbewahrung 3 Kassen beschreiben 3 Motive und Arten der Geldaufbewahrung: Transaktionskasse: Kasse für tägliche Geschäfte. Opportunitätskosten durch Zinssatz bestimmt. Je höher Einkommen und Preisniveau sind, desto höher Nachfrage an Geld für diese Kasse. Vorsichtskasse: Kasse für Rücklagen in Notsituationen. Opportunitätskosten durch Zinssatz bestimmt. Je höher Einkommen und Preisniveau sind, desto höher Nachfrage an Geld für diese Kasse. Spekuationskasse: Geld für Investitionen/Wertanlagen. Opportunitätskosten durch Zinssatz bestimmt. Je höher der Zins, desto geringer die Nachfrage an Geld für diese Kasse. Geldnachfrage also abhängig von Zinssatz, Einkommen und Preisniveau 3 / 31
4 Theorie Die keynesianische Geldnachfragefunktion Definition M = nominale Geldmenge L(y, i) = Liquiditätsfunktion/Geldnachfrage P = Preisniveau Y = Einkommen i = Zins M/P = reale Geldmenge M t = L(Y t, i t)p t (1) M t P t = L(Y t, i t) (2) 4 / 31
5 Datengrundlage Datenquelle Datenquellen: International Monetary Fund / Wash Währungseinheit: Milliarden dänische Kronen Einheit für Diskontsatz: Prozent pro Jahr Daten Input > data <- read.csv("denmark.csv", skip = 1, head = TRUE) > head(data) Jahr Geldmenge Diskontsatz CPI GDP / 31
6 Datengrundlage Recoding Berechnung der realen Geldmenge als neue Variable Reale Geldmenge > reale.gm <- data$geldmenge/data$cpi > reale.gm [1] [8] [15] [22] [29] [36] [43] / 31
7 Datengrundlage Recoding Anlegen eines neuen Dataframe für das Streudiagramm: Dataframe für xyplot > data.xyplot <- make.groups(jahr = data.frame(x = data$jahr, reale.gm), + Diskontsatz = data.frame(x = data$diskontsatz, reale.gm), + CPI = data.frame(x = data$cpi, reale.gm), GDP = data.frame(x = data$gdp, + reale.gm)) > names(data.xyplot)[3] <- "Kennziffer" 7 / 31
8 Datengrundlage Recoding zeitverzögerte Terme für die Modellierung anlegen Erstellung zeitverzögerter Terme > delay.gdp <- c(na, data$gdp[1:45]) > delay.diskontsatz <- c(na, data$diskontsatz[1:45]) > delay.reale.gm <- c(na, reale.gm[1:45]) 8 / 31
9 Datengrundlage Allgemeine deskriptive Statistik Lagemaße > mean(data[, 2:5]) Geldmenge Diskontsatz CPI GDP > median(data$geldmenge) [1] > median(data$diskontsatz) [1] 7 > median(data$cpi) [1] 48.3 > median(data$gdp) [1] / 31
10 Datengrundlage Allgemeine deskriptive Statistik Streuungsmaße > range(data$jahr) [1] > range(data$geldmenge) [1] > range(data$diskontsatz) [1] > range(data$cpi) [1] > range(data$gdp) [1] > sd(data[, 2:5]) Geldmenge Diskontsatz CPI GDP / 31
11 Datengrundlage Allgemeine deskriptive Statistik Scatterplot der unabhängigen Variablen > reale.gm.scatter <- xyplot(reale.gm ~ x data.xyplot$kennziffer, + data = data.xyplot, layout = c(2, 2), pch = 19, scales = list(relation = "free")) CPI GDP reale.gm Jahr Diskontsatz x 11 / 31
12 Vorstellung der Schätzmodelle Definition M t P t = β 0 + β 1y t + β 2i t + ɛ t (3) ln Mt P t = β 0 + β 1 ln y t + β 2 ln i t + ɛ t (4) ln Mt P t = β 0 + β 1 ln y t + β 2 ln i t + β 3 ln y t 1 + β 4 ln i t 1 + β 5 ln Mt 1 P t 1 ɛ t (5) 12 / 31
13 Schätzung der Koeffizienten Fitting der Parameter von 3 unterschiedlichen Modellen Anpassen der Modelle > reale.gm.lm1 <- lm(reale.gm ~ data$gdp + data$diskontsatz) > reale.gm.lm2 <- lm(i(log(reale.gm)) ~ I(log(data$GDP)) + I(log(data$Diskontsatz))) > reale.gm.lm3 <- lm(i(log(reale.gm)) ~ I(log(data$GDP)) + I(log(data$Diskontsatz)) + + I(log(delay.GDP)) + I(log(delay.Diskontsatz)) + I(log(delay.reale.GM))) 13 / 31
14 Schätzung der Koeffizienten Output der Regression von Modell 1 Regression Modell 1 > summary(reale.gm.lm1) Call: lm(formula = reale.gm ~ data$gdp + data$diskontsatz) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) 1.078e e e-12 *** data$gdp 1.916e e < 2e-16 *** data$diskontsatz e e Signif. codes: 0 *** ** 0.01 * Residual standard error: on 43 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 2 and 43 DF, p-value: < 2.2e / 31
15 Schätzung der Koeffizienten Output der Regression von Modell 2 Regression Modell 2 > summary(reale.gm.lm2) Call: lm(formula = I(log(reale.GM)) ~ I(log(data$GDP)) + I(log(data$Diskontsatz))) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-07 *** I(log(data$GDP)) < 2e-16 *** I(log(data$Diskontsatz)) e-06 *** --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 43 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 2 and 43 DF, p-value: < 2.2e / 31
16 Schätzung der Koeffizienten Output der Regression von Modell 3 Regression Modell 3 > summary(reale.gm.lm3) Call: lm(formula = I(log(reale.GM)) ~ I(log(data$GDP)) + I(log(data$Diskontsatz)) + I(log(delay.GDP)) + I(log(delay.Diskontsatz)) + I(log(delay.reale.GM))) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) I(log(data$GDP)) I(log(data$Diskontsatz)) I(log(delay.GDP)) I(log(delay.Diskontsatz)) I(log(delay.reale.GM)) e-14 *** --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 39 degrees of freedom (1 observation deleted due to missingness) Multiple R-squared: , Adjusted R-squared: F-statistic: on 5 and 39 DF, p-value: < 2.2e / 31
17 Testen der geschätzten Modelle Test auf Normalverteilung der Residuen - Code für Histogrammdarstellung der Residuen: Optischer Test auf Normalverteilung der Residuen > reale.gm.lm1.res <- residuals(reale.gm.lm1) > hist.reale.gm.lm1.res <- hist(reale.gm.lm1.res, breaks = 10) > xfit <- seq(min(reale.gm.lm1.res), max(reale.gm.lm1.res), length = 100) > yfit <- dnorm(xfit, mean = mean(reale.gm.lm1.res), sd = sd(reale.gm.lm1.res)) > yfit <- yfit * diff(hist.reale.gm.lm1.res$mids[1:2]) * length(reale.gm.lm1.res) > lines(xfit, yfit, col = "blue", lwd = 2) > reale.gm.lm2.res <- residuals(reale.gm.lm2) > hist.reale.gm.lm2.res <- hist(reale.gm.lm2.res, breaks = 10) > xfit <- seq(min(reale.gm.lm2.res), max(reale.gm.lm2.res), length = 100) > yfit <- dnorm(xfit, mean = mean(reale.gm.lm2.res), sd = sd(reale.gm.lm2.res)) > yfit <- yfit * diff(hist.reale.gm.lm2.res$mids[1:2]) * length(reale.gm.lm2.res) > lines(xfit, yfit, col = "blue", lwd = 2) > reale.gm.lm3.res <- residuals(reale.gm.lm3) > hist.reale.gm.lm3.res <- hist(reale.gm.lm3.res, breaks = 10) > xfit <- seq(min(reale.gm.lm3.res), max(reale.gm.lm3.res), length = 100) > yfit <- dnorm(xfit, mean = mean(reale.gm.lm3.res), sd = sd(reale.gm.lm3.res)) > yfit <- yfit * diff(hist.reale.gm.lm3.res$mids[1:2]) * length(reale.gm.lm3.res) > lines(xfit, yfit, col = "blue", lwd = 2) 17 / 31
18 Testen der geschätzten Modelle Test auf Normalverteilung der Residuen - Histogrammdarstellung der Residuen: Histogram of reale.gm.lm1.res Histogram of reale.gm.lm2.res Histogram of reale.gm.lm3.res Frequency Frequency Frequency reale.gm.lm1.res reale.gm.lm2.res reale.gm.lm3.res 18 / 31
19 Testen der geschätzten Modelle Test auf Normalverteilung der Residuen Jaques Bera Test Normalverteilung der Residuen kann für alle Modelle angenommen werden (p überall > 0,05 H0 annehmen, H1 ablehnen) Jaques Bera Test > rjb.test(reale.gm.lm1.res) Robust Jarque Bera Test data: reale.gm.lm1.res X-squared = , df = 2, p-value = > rjb.test(reale.gm.lm2.res) Robust Jarque Bera Test data: reale.gm.lm2.res X-squared = , df = 2, p-value = > rjb.test(reale.gm.lm3.res) Robust Jarque Bera Test data: reale.gm.lm3.res X-squared = 0.257, df = 2, p-value = / 31
20 Testen der geschätzten Modelle Definition Homoskedastizität der Residuen bedeutet eine über alle Ausprägungen und Kombinationen der Prädiktorvariablen konstante Varianz der Residuen. 20 / 31
21 Testen der geschätzten Modelle Test auf Homoskedastizität der Residuen Breusch-Pagan-Test Homoskedastizität der Residuen kann für alle Modelle angenommen werden (p überall > 0,05 H0 annehmen, H1 ablehnen) Breusch-Pagan Test > ncvtest(reale.gm.lm1) Non-constant Variance Score Test Variance formula: ~ fitted.values Chisquare = Df = 1 p = > ncvtest(reale.gm.lm2) Non-constant Variance Score Test Variance formula: ~ fitted.values Chisquare = Df = 1 p = > ncvtest(reale.gm.lm3) Non-constant Variance Score Test Variance formula: ~ fitted.values Chisquare = Df = 1 p = / 31
22 Testen der geschätzten Modelle Definition Autokorrelation liegt vor, wenn die Residuen zweier Beobachtungen korreliert sind. 22 / 31
23 Testen der geschätzten Modelle Test auf Autokorrelation des Modells Durbin-Watson Test in allen Modellen positive Autokorrelation zu finden Durbin-Watson Test > durbinwatsontest(reale.gm.lm1) lag Autocorrelation D-W Statistic p-value Alternative hypothesis: rho!= 0 > durbinwatsontest(reale.gm.lm2) lag Autocorrelation D-W Statistic p-value Alternative hypothesis: rho!= 0 > durbinwatsontest(reale.gm.lm3) lag Autocorrelation D-W Statistic p-value Alternative hypothesis: rho!= 0 23 / 31
24 Testen der geschätzten Modelle Newey West Estimator als Korrektur für Autokorrelation der Modelle Newey West Estimator Modell 1 > NeweyWest(reale.GM.LM1) (Intercept) data$gdp data$diskontsatz (Intercept) e e e-03 data$gdp e e e-06 data$diskontsatz e e e / 31
25 Testen der geschätzten Modelle Newey West Estimator Modell 2 > NeweyWest(reale.GM.LM2) (Intercept) I(log(data$GDP)) I(log(data$Diskontsatz)) (Intercept) I(log(data$GDP)) I(log(data$Diskontsatz)) / 31
26 Testen der geschätzten Modelle Newey West Estimator Modell 3 > NeweyWest(reale.GM.LM3) (Intercept) I(log(data$GDP)) (Intercept) I(log(data$GDP)) I(log(data$Diskontsatz)) I(log(delay.GDP)) I(log(delay.Diskontsatz)) I(log(delay.reale.GM)) I(log(data$Diskontsatz)) I(log(delay.GDP)) (Intercept) I(log(data$GDP)) I(log(data$Diskontsatz)) I(log(delay.GDP)) I(log(delay.Diskontsatz)) I(log(delay.reale.GM)) I(log(delay.Diskontsatz)) I(log(delay.reale.GM)) (Intercept) I(log(data$GDP)) I(log(data$Diskontsatz)) I(log(delay.GDP)) I(log(delay.Diskontsatz)) I(log(delay.reale.GM)) / 31
27 Testen der geschätzten Modelle Definition Multikollinearität liegt vor, wenn eine Prädiktorvariable eine Linearkombination einer oder mehrerer anderer unabhängiger Variablen ist. 27 / 31
28 Testen der geschätzten Modelle Test auf Multikollinearität der Prädiktoren Variations-Inflations Faktor in Modellen 1 und 2 keine Multikollinearität zu finden (Variations-Inflations Faktor < 5) Varianz-Inflations Faktor > vif(reale.gm.lm1) data$gdp data$diskontsatz > vif(reale.gm.lm2) I(log(data$GDP)) I(log(data$Diskontsatz)) > vif(reale.gm.lm3) I(log(data$GDP)) I(log(data$Diskontsatz)) I(log(delay.GDP)) I(log(delay.Diskontsatz)) I(log(delay.reale.GM)) / 31
29 Wahl des optimalen Modells Modell 2 soll näher betrachtet werden Adjusted R-sqared ist mit 0,9277 sehr hoch fast die gesamte Varianz in den Daten wird von dem Modell erklärt die Residuen sind normalverteilt und homoskedastisch, es kann keine Multikollinearität in den Prädiktoren festgestellt werden Erfüllung wichtiger Voraussetzung für die Anwendung von OLS ABER: es kommt Autokorrelation in dem Modell vor Verletzung einer Annahme der OLS 29 / 31
30 Interpretation des gewählten Modells Einkommen hat signifikant (p = 0,001) positiven Einfluss auf reale Geldmenge steigt das Einkommen um eine Einheit, so steigt die Geldmenge um 0,33 Einheiten Zinssatz hat signifikant (p = 0,001) negativen Einfluss auf reale Geldmenge steigt der Zinssatz um eine Einheit, so sinkt die Geldmenge um 0,27 Einheiten Regression Modell 2 > summary(reale.gm.lm2) Call: lm(formula = I(log(reale.GM)) ~ I(log(data$GDP)) + I(log(data$Diskontsatz))) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-07 *** I(log(data$GDP)) < 2e-16 *** I(log(data$Diskontsatz)) e-06 *** --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 43 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 2 and 43 DF, p-value: < 2.2e / 31
31 Fazit Die Gültigkeit der keynesianischen Geldnachfragefunktion konnte für die dänische Volkswirtschaft der Jahre bestätigt werden 31 / 31
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................
MehrStatistik Einführung // Lineare Regression 9 p.2/72
Statistik Einführung Lineare Regression Kapitel 9 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Ledold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Lineare Regression
MehrLösung zu Kapitel 11: Beispiel 1
Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten
MehrLineare Modelle in R: Einweg-Varianzanalyse
Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der
MehrProf. Dr. Karl-Werner Hansmann
Die Gelddruck-Maschine der Notenbanken ist für die Bekämpfung der Arbeitslosigkeit ungeeignet. von Prof. Dr. Karl-Werner Hansmann Universität Hamburg Vortrag beim Academic Network der Roland Berger School
MehrLineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)
Interdisziplinäres Seminar Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) WS 2008/09 19.11.2008 Julia Schiele und Lucie Wink Dozenten: Prof. Dr. Bühner, Prof. Dr. Küchenhoff
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
MehrLÖSUNG ZUR VORLESUNG MAKROÖKONOMIK I (SoSe 14) Aufgabenblatt 4
Fakultät Wirtschafts- und Sozialwissenschaften Jun.-Prof. Dr. Philipp Engler, Michael Paetz LÖSUNG ZUR VORLESUNG MAKROÖKONOMIK I (SoSe 14) Aufgabenblatt 4 Aufgabe 1: IS-Kurve Leiten Sie graphisch mit Hilfe
MehrLÖSUNG ZUR VORLESUNG MAKROÖKONOMIK I (SoSe 14) Aufgabenblatt 3
Fakultät Wirtschafts- und Sozialwissenschaften Jun.-Prof. Dr. Philipp Engler, Michael Paetz LÖSUNG ZUR VORLESUNG MAKROÖKONOMIK I (SoSe 14) Aufgabenblatt 3 Aufgabe 1: Geldnachfrage I Die gesamtwirtschaftliche
MehrInhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1
Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...
Mehr1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen
Modelle mit Interationsvariablen I Modelle mit Interationsvariablen II In der beim White-Test verwendeten Regressionsfuntion y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 2 1 + β 4 x 2 2 + β 5 x 1 x 2, ist anders
MehrBiostatistische Studienplanung II. Dr. Matthias Kohl SIRS-Lab GmbH
Biostatistische Studienplanung II Dr. Matthias Kohl SIRS-Lab GmbH Inhalt Lineare Modelle: Definition und Beispiele KQ- und robuste Schätzer Diagnostik Ausblick: Mixed-Effects Definition des linearen Modells
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
MehrDas makroökonomische Grundmodell
Universität Ulm 89069 Ulm Germany Dipl.-Kfm. hilipp Buss Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 2013/2014
MehrDas Gelddrucken der EZB ist nicht geeignet, Deflation zu verhindern
Das Gelddrucken der EZB ist nicht geeignet, Deflation zu verhindern Prof. Dr. Karl-Werner Hansmann Universität Hamburg Vortrag vor dem Alumni Universität Hamburg e.v. am 10. April 2014 1 Gliederungsübersicht
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
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 9B a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Man kann erwarten, dass der Absatz mit steigendem Preis abnimmt, mit höherer Anzahl der Außendienstmitarbeiter sowie mit erhöhten
MehrEINFACHE LINEARE REGRESSION MODUL 13 PROSEMINAR DESKRIPTIVE STATISTIK ANALYSE UND DARSTELLUNG VON DATEN I GÜNTER HAIDER WS 1999/2000
INSTITUT FÜR ERZIEHUNGSWISSENSCHAFT - UNIVERSITÄT SALZBURG PROSEMINAR DESKRIPTIVE STATISTIK ANALYSE UND DARSTELLUNG VON DATEN I GÜNTER HAIDER WS 1999/2 MODUL 13 EINFACHE LINEARE REGRESSION Erziehungswissenschaft/Haider
MehrHäufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln
Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder
Mehr8. Übung zur Makroökonomischen Theorie
8. Übung zur Makroökonomischen Theorie Aufgabe 22 Welche Funktionen des Geldes kennen Sie? Funktionen des Geldes Zahlungsmittel Medium um Tauschvorgänge durchzuführen Recheneinheit Generell sind zwei Formen
Mehr9. Übung zur Makroökonomischen Theorie
Aufgabe 26 9. Übung zur akroökonomischen Theorie Gehen Sie davon aus, dass es in der Wirtschaft einen Bargeldbestand von 1.000 gibt. Nehmen Sie weiten an, dass das Reserve Einlage Verhältnis der Geschäftsbanken
MehrWeitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression
Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen
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
MehrGeld ist ein Wertaufbewahrungsmittel:
4. Geld, Zinsen und Wechselkurse 4.1. Geldangebot und -nachfrage Geldfunktionen u. Geldangebot (vgl. Mankiw; 2000, chap. 27) Geld genießt generelle Akzeptanz als Tauschmittel: Bartersystem ohne Geld: Jemand,
Mehr2. Korrelation, lineare Regression und multiple Regression
multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrModul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.
Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes
MehrGefährdet die ungleiche Verteilung unseres Vermögens den gesellschaftlichen Zusammenhalt?
Gefährdet die ungleiche Verteilung unseres Vermögens den gesellschaftlichen Zusammenhalt? Prof. Dr. K.-W. Hansmann Rotary-Vortrag am 22. September 2014 (Die farbigen Graphiken habe ich mit der Progrmmiersprache
MehrMakroökonomik I Kapitel 4: Geld- und Finanzmärkte
Makroökonomik I Kapitel 4: Geld- und Finanzmärkte Günter W. Beck 1 Überblick Die Geldnachfrage Die Bestimmung des Zinssatzes ohne Banken Die Bestimmung des Zinssatzes mit Banken Die Geldnachfrage (Kapitel
MehrMakroökonomie I/Grundlagen der Makroökonomie
Makroökonomie I/Grundzüge der Makroökonomie Page 1 1 Makroökonomie I/Grundlagen der Makroökonomie Kapitel 4: Geld- und Finanzmärkte Günter W. Beck 1 Makroökonomie I/Grundzüge der Makroökonomie Page 2 2
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
MehrZeitreihenanalyse. Teil III: Nichtlineare Zeitreihenmodelle. Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel. Göttingen, Januar 2008 DAX
Zeitreihenanalyse Teil III: Nichtlineare Zeitreihenmodelle Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel DAX -10-5 0 5 10 0 200 400 600 800 1000 trading day Göttingen, Januar 2008 Inhaltsverzeichnis
MehrFortgeschrittene Statistik Logistische Regression
Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E
MehrRegressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall )
Zusammenhänge von Variablen Regressionsanalysen linearer Zusammenhang ( Idealfall ) kein Zusammenhang nichtlinearer monotoner Zusammenhang (i.d.regel berechenbar über Variablentransformationen mittels
Mehr5 Varianzanalytische Modelle, komplexere lineare Modell und Random Models
5 Varianzanalytische Modelle, komplexere lineare Modell und Random Models Auch in diesem Kapitel werden nur wenige statistische Hintergründe geliefert. Der Fokus des Kapitels liegt in der Einübung der
MehrInternationale Ökonomie II. Vorlesung 4:
Internationale Ökonomie II Vorlesung 4: Die Kaufkraftparitätentheorie: Preisniveau und Wechselkurs Prof. Dr. Dominik Maltritz Gliederung der Vorlesung 1. Ein- und Überleitung: Die Zahlungsbilanz 2. Wechselkurse
MehrRaiffeisen News Unsere aktuellen Angebote im Januar 2014
richten sich an Anleger, die ein richten sich an Anleger, die ein richten sich an Anleger, die ein richten sich an Anleger, die ein richten sich an Anleger, die ein richten sich an Anleger, die ein richten
MehrDas Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":
Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 1. Juli 2015 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Aufgabe 1 14 Punkte Ein Freund von Ihnen hat über einen Teil seiner Daten, die er
Mehr# # Daten aus einem csv-file einlesen # readerout = reader(open("daten.csv","rb"),delimiter=',');
-*- coding: utf-8 -*- This Python-program was developed using "Enthought Canopy v. 1.4.1", a Pytho analysis environment, on a MacBook Pro running OS X 10.9.5 written by T. Ihn, D-PHYS ETH Zurich, 5 Oct
MehrDie Varianzanalyse ohne Messwiederholung. Jonathan Harrington. Bi8e noch einmal datasets.zip laden
Die Varianzanalyse ohne Messwiederholung Jonathan Harrington Bi8e noch einmal datasets.zip laden Variablen, Faktoren, Stufen Eine Varianzanalyse ist die Erweiterung von einem t- test t- test oder ANOVA
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
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
MehrMultiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse
Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik II Multiple
MehrKlausur STATISTIK 2 für Diplom VWL
Klausur STATISTIK 2 für Diplom VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrMultidimensionale Paarvergleiche. Experten
Multidimensionale Paarvergleiche V l i h d Ri ik h h Kl i l d Vergleich der Risikowahrnehmung von Kleinanlegern und Experten Agenda Theoretischer Hintergrund Studiendesign Forschungsergebnisse 2 Überblick
MehrMusterlösung Tutorium 3 zur Vorlesung
PROF. DR.MICHAEL FUNKE DIPL.VW. KRISTIN GÖBEL Musterlösung Tutorium 3 zur Vorlesung Makroökonomik (WS 2010/11) Aufgabe 1: Das IS-LM-Modell in einer geschlossenen Volkswirtschaft a) Zeigen Sie unter Verwendung
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
MehrAuswertung mit dem Statistikprogramm SPSS: 30.11.05
Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit
MehrDSR Daten, Statistik, Risikobewertung AUSWERTUNG GAHS. Intervention + BMI
DSR Daten, Statistik, Risikobewertung AUSWERTUNG GAHS + BMI Sophie-Helene Narath Klemens Fuchs Günter Polt Bericht Nr.: B09_003_DSR Freigegeben im April 09 Österreichische Agentur für Gesundheit und Ernährungssicherheit
MehrChristian FG Schendera. Regressionsanalyse. mit SPSS. 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG
Christian FG Schendera Regressionsanalyse mit SPSS 2. korrigierte und aktualisierte Auflage DE GRUYTER OLDENBOURG Inhalt Vorworte V 1 Korrelation 1 1.1 Einführung 1 1.2 Erste Voraussetzung: Das Skalenniveau
MehrDer Geldmarkt. Funktionen d. Geldes. Tauschmittel. Wertaufbewahrungsfunktion. Recheneinheit. Geldnachfrage
Der Geldmarkt Funktionen d. Geldes Tauschmittel Wertaufbewahrungsfunktion Recheneinheit Geldnachfrage 2 Anlageformen:Geld und festverzinsliche Wertpapiere Geld für Transaktionen, aber keine Zinsen Wertpapiere:
MehrInternationale Ökonomie II Vorlesung 3: Geld, Zinsen und Wechselkurse
Internationale Ökonomie II Vorlesung 3: Geld, Zinsen und Wechselkurse Prof. Dr. Dominik Maltritz Gliederung der Vorlesung 1. Ein- und Überleitung: Die Zahlungsbilanz 2. Wechselkurse und Devisenmarkt 3.
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
MehrInstitut für Soziologie Benjamin Gedon. Methoden 2. Regressionsanalyse IV: Transformation und Interaktion
Institut für Soziologie Methoden 2 Regressionsanalyse IV: Transformation und Interaktion Inhalt 1. Zusammenfassung letzte Sitzung 2. Weitere Annahmen und Diagnostik 3. Transformationen zur besseren Interpretierbarkeit
Mehr5. GELD- UND FINANZMÄRKTE
5. GELD- UND FINANZMÄRKTE 1 LERNZIELE KAPITEL 5 1. Was ist Geld und woran erkennt man es? 2. Was versteht man unter einem makroökonomischen Geldmarkt? 3. Was versteht man unter Geldangebot und Geldnachfrage?
MehrEinleitung 19. Teil I Datenanalyse und Modellbildung Grundlagen 25
Inhaltsverzeichnis Einleitung 19 Zu diesem Buch 19 Konventionen in diesem Buch 20 Was Sie nicht lesen müssen 21 Falsche Voraussetzungen 21 Wie dieses Buch aufgebaut ist 21 Teil I: Datenanalyse und Grundlagen
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)
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
MehrTeil II: Einführung in die Statistik
Teil II: Einführung in die Statistik (50 Punkte) Bitte beantworten Sie ALLE Fragen. Es handelt sich um multiple choice Fragen. Sie müssen die exakte Antwortmöglichkeit angeben, um die volle Punktzahl zu
MehrEine computergestützte Einführung mit
Thomas Cleff Deskriptive Statistik und Explorative Datenanalyse Eine computergestützte Einführung mit Excel, SPSS und STATA 3., überarbeitete und erweiterte Auflage ^ Springer Inhaltsverzeichnis 1 Statistik
MehrKapitel 8. Übersicht des Kapitels. 8.1 Die Rolle des Geldes und das. Geld und Preise
Kapitel 8 Geld und Preise Übersicht des Kapitels 8.1 Die Rolle des Geldes und das Geldangebot 8.2 Nominaler Zinssatz und die Geldnachfrage 8.3 Die Quantitätstheorie des Geldes 8.4 Gleichgewicht auf dem
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/
MehrUmgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen
Umgang mit und Ersetzen von fehlenden Werten bei multivariaten Analysen Warum überhaupt Gedanken machen? Was fehlt, ist doch weg, oder? Allgegenwärtiges Problem in psychologischer Forschung Bringt Fehlerquellen
MehrFinanzmarkt. Einführung in die Makroökonomie SS 2012. Einführung in die Makroökonomie (SS 2012) Finanzmarkt 1 / 22
Finanzmarkt Einführung in die Makroökonomie SS 2012 Einführung in die Makroökonomie (SS 2012) Finanzmarkt 1 / 22 Was bisher geschah In der letzten Einheit haben wir das Gleichgewicht auf dem Gütermarkt
MehrKapitel 3: Interpretationen
Kapitel 3: 1. Interpretation von Outputs allgemein... 1 2. Interpretation von Signifikanzen... 1 2.1. Signifikanztests / Punktschätzer... 1 2.2. Konfidenzintervalle... 2 3. Interpretation von Parametern...
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
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
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
MehrPrüfen von Mittelwertsunterschieden: t-test
Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) t-test
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
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrAnalytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10
Analytische Statistik I Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten
MehrLog-lineare Analyse I
1 Log-lineare Analyse I Einleitung Die log-lineare Analysemethode wurde von L.A. Goodman in den 60er und 70er Jahren entwickelt. Sie dient zur Analyse von Zusammenhängen in mehrdimensionalen Kontingenztafeln
Mehradjusted R 2 korrigiertes Bestimmtheitsmaß, korrigiertes R 2 Bias, Verzerrung coefficient of determination Bestimmtheitsmaß, R 2
acceptance region Annahmebereich adjusted R 2 korrigiertes Bestimmtheitsmaß, korrigiertes R 2 alternative hypothesis Alternativhypothese asymptotic distribution asymptotische Verteilung asymptotic normal
MehrEinsatz von SPSS-Trends bei der Regressionsanalyse mit seriell abhängigen Daten
Universitäts-Rechenzentrum rier AWS.SPSS.4 rier, den 5..998 Einsatz von SPSS-rends bei der Regressionsanalyse mit seriell abhängigen Daten EINLEIUNG 3 OLS-REGRESSION ROZ AUOKORRELIERER RESIDUEN 7. Schätz-
Mehr(GENERAL FULL FACTORIALS)
TQU BUSINESS GMBH VOLLFAKTORIELLE VERSUCHSPLÄNE (GENERAL FULL FACTORIALS) Lernziele Sie können vollfaktorielle Versuchspläne auf und mehr Stufen erstellen. Sie kennen Haupteffekte und Wechselwirkungen
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrKapitel 16: Preisniveaus und Wechselkurs in langer Frist
Kapitel 16: Preisniveaus und Wechselkurs in langer Frist Folie 15-1 Preisniveaus und Wechselkurs in langer Frist Kapitelübersicht Einführung Das Gesetz der Preiseinheitlichkeit Kaufkraftparität Ein langfristiges
MehrMakroökonomie I: Vorlesung # 10 Geld und die Geldnachfrage
Makroökonomie I: Vorlesung # 10 Geld und die Geldnachfrage 1 Vorlesung Nr #10 1. Was ist Geld? Ein Exkurs 2. Die Definition von Geld nach Jevons... 3.... und aus moderner Sicht 4. Die Geldnachfrage 5.
MehrKategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell
MehrGELDMENGE UND PREISE Arbeitsauftrag
1. Geldmenge und Preise Kreuzen Sie die korrekten Aussagen an. Begründen Sie Ihren Entscheid bei den falschen Aussagen mit einem oder zwei kurzen Sätzen. Die Schweizerische Nationalbank kann die gesamte
MehrLiebe Studierende, Viel Erfolg! Seite 1 von 6
Liebe Studierende, unten finden sie eine Probeklausur zu den Inhalten der Vorlesung Makroökonomie (I). Diese Übungsklausur ist in ihrem Aufbau und Umfang den bisher gestellten Klausuren entsprechend und
Mehr4 Geld und Inflation im Ramsey-Modell
4 Geld und Inflation im Ramsey-Modell Literatur: - Maussner & Klump 996, C.II.3] - Blanchard & Fischer 989, Ch. 4] - Obstfeld & Rogoff 996, Ch. 8.3] 84 4. Monetärer Sektor im Ramsey Modell Berücksichtigung
MehrDatenaufbereitung, Grafische Datenanalyse
Datenaufbereitung, Grafische Datenanalyse R-Übung 2 Statistik III für Nebenfachstudierende LMU WS 2013/14 David Rügamer 6. & 13. November 2013 Nach einer Vorlage von Toni Hilger (WS 11/12) und Arne Kaldhusdal
Mehr5. Die Interaktion von Güter- und Finanzmärkten:
5. Die Interaktion von Güter- und Finanzmärkten: Das IS-LM Modell Inhaltliche Übersicht Betrachtung der IS-/LM-Beziehungen aus Kapitel 3 und 4 Zusammenführung des Güter- und Finanzmarkts zu einem simultanen
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.
MehrUE5: Fragen zu Geldpolitik
UE5: Fragen zu Geldpolitik 1) Was ist das vorrangige Ziel der Europäischen Zentralbank (EZB) und welche geldpolitischen Instrumente werden eingesetzt für die Erreichung dieses Ziels? 2) a) Woraus besteht
MehrSönke Albers Bernd Skiera Regressionsanalyse Februar 1998
Sönke Albers Bernd Skiera Regressionsanalyse Vorabversion des Beitrags: Albers, S. / Skiera, B. (1999), "Regressionsanalyse", in: Herrmann, A. / Homburg, C. (Hrsg.), "Marktforschung. Grundlagen - Methoden
MehrGrundlagen der Volkswirtschaftslehre. Übung 2 - Makroökonomische Grundlagen. 1 Volkswirtschaftliche Identität und Kreislaufdiagramme
Universität Ulm 89069 Ulm Germany Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Grundlagen der Volkswirtschaftslehre
MehrVI. Die Taylor Regel
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
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
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
Mehr