Methoden der Ökonometrie
|
|
- Klemens Hafner
- vor 6 Jahren
- Abrufe
Transkript
1 Dr. Matthias Opnger Lehrstuhl für Finanzwissenschaft WS 2013/14 Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 1 / 21
2 Dr. Matthias Opnger Büro: C 504 Sprechzeit: nach Vereinbarung opnger@uni-trier.de Prüfung: 120-minütige Klausur am Ende des Semesters Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 2 / 21
3 Termine Termine Vorlesung: Montag: Uhr C 01 (deutsch), Opnger Mittwoch: 8-10 Uhr C 22 (englisch), Erdogan Übung: Mittwoch Uhr C 106d (deutsch), Opnger Donnerstag Uhr C360 (englisch), Erdogan Am ersten Übungstermin ndet eine Vorlesung statt. Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 3 / 21
4 Allgemeine Literaturliste Allgemeine Literaturliste Vorlesung: Ludwig von Auer: Ökonometrie, 5. Auage. Wooldrigde: Introductory Econometrics, 4. Auage. Übung: Köhler,Ulrich / Kreuter, Frauke: Datenanalyse mit Stata, 3. Auage. Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 4 / 21
5 Gliederung Gliederung der Vorlesung 1 Einführung und Wiederholung (Einfachregression) 2 Multiple Regression - Spezikation der Schätzgleichungen 3 Multiple Regression - Schätzung 4 Hypothesentests 5 Verletzung Annahme A1 6 Verletzung Annahme A2 7 Verletzung Annahme A3 8 Verletzung Annahme B1 und Annahme B2 9 Verletzung Anahme B3 (Autokorrelation) 10 Panelschätzer 11 Weiterführende Themen Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 5 / 21
6 Einführung und Wiederholung Einleitung Aufgabe von Ökonometrie ist das Aufdecken und Messen von kausalen Zusammenhängen Überprüfung der Ökonomischen Theorie durch die Ökonomische Realität mittels Messung Wichtigste Methode ist die Kleinste-Quadrate-Regression Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 6 / 21
7 Einführung und Wiederholung Die vier Aufgaben der Ökonometrie Ökonomisches Modell Spezikation Ökonometrisches Modell Schätzung Geschätztes Modell Hypothesentest Prognose Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 7 / 21
8 Einführung und Wiederholung Trinkgeldbeispiel Ökonomisches Modell: y = f (x) Ökonometrisches Modell: y t = βx t + u t Geschätztes Modell: y t = βx t + û t ŷ t = βx t Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 8 / 21
9 Einführung und Wiederholung Trinkgeldbeispiel Es seien zwei Gäste beobachtet worden. Dabei bezeichnet x t Rechnungsbetrag und y t das Trinkgeld (beides in Euro): den Gast 1 : (x 1 = 10, y 1 = 2) Gast 2 : (x 2 = 30, y 2 = 3). Es wurde im ökonometrischen Modell unterstellt, dass beide Gäste den gleichen Wert β besitzen. Sind bei den beiden Gästen Störeinüsse wirksam geworden? Mögliche Lösung: β = 0, 15 Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 9 / 21
10 Einführung und Wiederholung Datenmaterial Es existieren drei Typen von Daten: Zeitreihendaten Querschnittsdaten Paneldaten Stammgast 1 Stammgast 2 Stammgast 3 1. Abend (x 1, y 1 ) = (10, 2) (x 2, y 2 ) = (20, 2) (x 3, y 3 ) = (25, 4) 2. Abend (x 4, y 4 ) = (30, 3) (x 5, y 5 ) = (35, 3) (x 6, y 6 ) = (41, 6) 3. Abend (x 7, y 7 ) = (50, 7) (x 8, y 8 ) = (14, 2) (x 9, y 9 ) = (17, 2) Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 10 / 21
11 Einführung KQ-Regression Einführung Kleinste-Quadrate-Regression: Grundidee Es gibt einen wahren und linearen Zusammenhang zwischen Trinkgeld und Rechungsbetrag y t = α + βx t + u t Ziel: Schätzung der Parameter α und β Minimiere die Abweichung zwischen y t und ŷ t und damit û t Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 11 / 21
12 Einführung KQ-Regression Beispiel-Daten Beispiel: Es wird weiterhin das Trinkgeldbeispiel betrachtet. 20 Gäste wurden beobachtet. Die entsprechenden Daten sind in der folgenden Tabelle wiedergegeben. t x t y t t x t y t 1 10,00 2, ,00 7, ,00 3, ,50 5, ,50 1, ,00 2,50 Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 12 / 21
13 Einführung KQ-Regression Wahrer Zusammenhang Abbildung 1: Der wahre Zusammenhang zwischen Rechnungsbetrag x und Trinkgeld y. Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 13 / 21
14 Einführung KQ-Regression Abbildung 2: Der Zusammenhang zwischen beobachtetem Wert y t, Störgröÿe u t und ungestörtem Einuÿ α + βx t. Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 14 / 21 Wahrer Zusammenhang und Stichprobe
15 Einführung KQ-Regression Residuenquadrate Abbildung 3: Minimierung der geschätzten Störgröÿen û t. Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 15 / 21
16 Einführung KQ-Regression Ergebnis KQ-Regression Kleinste-Quadrate-Methode: Minimierung von Sûû (Residuenquadratsumme) Sûû = T (y t α βx t ) 2 min t=1 Methode: Bilden der partiellen Ableitungen (vgl. von Auer 2011, S. 57.). Ergebnis: β = S xy /S xx α = y βx S yy ist die Variation der endogenen Variable, S xx die Variation der exogenen Variable und S xy die Kovariation. S yy (y t y) 2 ; S xx (x t x) 2 ; S xy (x t x) (y t y) Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 16 / 21
17 Qualität von Schätzverfahren Unverzerrtheit Der Schätzer β A heiÿt unverzerrt, wenn die aus wiederholten Stichproben ermittelten Werte β A im Mittel den wahren Wert β treen würden, das heiÿt, wenn gilt E( β A ) = β Abbildung 4: Vergleich der Schätzer β A und β B. Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 17 / 21
18 Qualität von Schätzverfahren Ezienz Ein unverzerrter Schätzer β A ist ezient, wenn er innerhalb der Klasse der unverzerrten Schätzer die kleinste Streuung var( β A ) aufweist. Abbildung 5: Ein weiterer Vergleich zweier Schätzer. Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 18 / 21
19 Qualität von Schätzverfahren KQ-Schätzer I Es lässt sich für die KQ-Schätzer zeigen, dass unter bestimmten Annahmen ( A-, B- und C-Annahmen, dazu gleich) gilt: E( α) = α und E( β) = β. Die KQ-Schätzer α und β sind lineare Schätzer. Man kann zeigen, dass die Varianzen die geringst möglichen innerhalb der Klasse der unverzerrten linearen Schätzer darstellen. Unter bestimmten Annahmen sind die KQ-Schätzer α und β innerhalb der Klasse der unverzerrten linearen Schätzer ezient (BLUE-Eigenschaft). Unter bestimmten Annahmen sind die KQ-Schätzer α und β innerhalb der Klasse aller unverzerrten Schätzer, nicht-lineare Schätzer eingeschlossen, ezient (BUE-Eigenschaft). Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 19 / 21
20 Qualität von Schätzverfahren KQ-Schätzer II Abb. 6: Ein und dieselbe Varianz ist mit sehr verschiedenen Verteilungen vereinbar. Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 20 / 21
21 Qualität von Schätzverfahren Abb. 7: Ein und dieselbe Varianz ist mit sehr verschiedenen Verteilungen Dr. Matthias Opnger Methoden d. Ökonometrie WS 2013/14 21 / 21 KQ-Schätzer III
Aufgabenstellung Aufgabe 1: Betrachten Sie das folgende ökonometrische Modell: y t = α + βx t + u t (1)
Klausur: Einführung in die Ökonometrie Prüfer: Prof. Dr. Karl-Heinz Paqué Dr.Ludwigv.Auer Semester: WS 1999/00 Als Hilfsmittel sind zugelassen: nicht-programmierbarer Taschenrechner Diese Klausur besteht
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
MehrAnalyse von Querschnittsdaten. Einführung
Analyse von Querschnittsdaten Einführung Gliederung 1. Einordnung in das Curriculum 2. Spezialisierungsmöglichkeiten 3. Teilnahmevoraussetzungen 4. Gliederung der Vorlesung 5. Übung Gliederung 1. Einordnung
MehrEinführung in die empirische Wirtschaftsforschung. Wintersemester 2015/2016 Syllabus
Einführung in die empirische Wirtschaftsforschung Wintersemester 2015/2016 Syllabus Prof. Dr. Almut Balleer Lehr- und Forschungsgebiet Empirische Wirtschaftsforschung RWTH Aachen Kursbeschreibung Dieser
MehrBachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang.
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Fach: Prüfer: Bachelorprüfung Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail Studiengang
MehrAllgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.
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
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrPrüfung im Fach Ökonometrie im WS 2011/12 Aufgabenteil. Name, Vorname. Matrikelnr. Studiengang. E-Mail-Adresse. Unterschrift
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Aufgabenteil Name, Vorname Matrikelnr. Studiengang E-Mail-Adresse Unterschrift
MehrEinfache Statistiken in Excel
Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum
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
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
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
MehrWeiterbildungskurs Stochastik
Hansruedi Künsch Seminar für Statistik Departement Mathematik, ETH Zürich 24. Juni 2009 Inhalt STATISTIK DER BINOMIALVERTEILUNG 1 STATISTIK DER BINOMIALVERTEILUNG 2 Fragestellungen Typische Fragestellungen
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...
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
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
MehrLehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Ökonometrie im WS 2011/12 Lösungsskizze
Lehrstuhl für Statistik und empirische irtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im ach Ökonometrie im S 20/2 Lösungsskizze Aufgabe (.5 Punkte) Sie verfügen über einen Datensatz, der Informationen
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
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
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
MehrEinführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging
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
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
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
Mehr6.2 Regressionsanalyse
c-kennzahlensystem (ROCI) 6. Regressionsanalyse Die Regressionsanalyse zählt zu den wichtigsten Analysemethoden des Kommunikationscontrollings und hat ihre tiefen Wurzeln in der Statistik. Im Rahmen des
MehrRegression mit Gretl Eine erste Einführung 1
Kurzeinführung in Gretl S. 1 Regression mit Gretl Eine erste Einführung 1 Installation: Gretl für das entsprechende Betriebssystem herunterladen und die Setup-Datei ausführen. Hinweis: Für die Benutzung
Mehr12. Bivariate Datenanalyse. In den Kapiteln 4-11 wurden univariate Daten betrachtet:
12. Bivariate Datenanalyse Während einer nur Zahlen im Kopf hat, kann er nicht auf den Kausalzusammenhang kommen Anonymus In den Kapiteln 4-11 wurden univariate Daten betrachtet: Von univariaten Daten
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Excel Edition ^ Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrPRAKTIKUM Experimentelle Prozeßanalyse 2. VERSUCH AS-PA-2 "Methoden der Modellbildung statischer Systeme" Teil 2 (für ausgewählte Masterstudiengänge)
FACHGEBIET Systemanalyse PRAKTIKUM Experimentelle Prozeßanalyse 2 VERSUCH AS-PA-2 "Methoden der Modellbildung statischer Systeme" Teil 2 (für ausgewählte Masterstudiengänge) Verantw. Hochschullehrer: Prof.
MehrAusgewählte Kapitel der Statistik: Regressions- u. varianzanalytische Modelle Lösung von Grundaufgaben mit SPSS Statistics 20.0
1 Ausgewählte Kapitel der Statistik: Regressions- u. varianzanalytische Modelle Lösung von Grundaufgaben mit SPSS Statistics 20.0 Text: grund1_spss20.doc Daten: grund1_?.sav Lehrbuch: W. Timischl, Biostatistik.
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
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
MehrNachholklausur STATISTIK II
Nachholklausur STATISTIK II Name, Vorname: Matrikel-Nr.: Die Klausur enthält zwei Typen von Aufgaben: T e i l A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine
MehrGenerated by Foxit PDF Creator Foxit Software
3.Jan 2011-10.Jul 2011 Dienstag, 11. Januar 2011 Donnerstag, 13. Januar 2011 Dienstag, 18. Januar 2011 Montag, 7. Februar 2011 Montag, 14. Februar 2011 Samstag, 26. Februar 2011 Donnerstag, 3. März 2011
MehrMessgeräte: Mess-System-Analyse und Messmittelfähigkeit
Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße
MehrDatenanalyse mit Excel. Wintersemester 2013/14
Datenanalyse mit Excel 1 KORRELATIONRECHNUNG 2 Korrelationsrechnung Ziel der Korrelationsrechnung besteht im bivariaten Fall darin, die Stärke des Zusammenhangs zwischen zwei interessierenden statistischen
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.
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
Mehr- Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch
1 2 - Eine typische Ausfallrate, wie sie bei vielen technischen Anwendungen zu sehen ist hat die Form einer Badewanne, deshalb nennt man diese Kurve auch Badewannenkurve. -mit der Badewannenkurve lässt
MehrFinanzwissenschaft I
Finanzwissenschaft I Matthias Opnger Lehrstuhl für Finanzwissenschaft WS 12/13 Matthias Opnger Finanzwissenschaft I WS 12/13 1 / 24 Dr. Matthias Opnger Büro: C 504 Sprechzeit: nach Vereinbarung E-Mail:
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
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
MehrAbschlussklausur (60 Minuten), 15. Juli 2014
Prof. Dr. Amelie Wuppermann Volkswirtschaftliche Fakultät Universität München Sommersemester 2014 Empirische Ökonomie 1 Abschlussklausur (60 Minuten), 15. Juli 2014 Bearbeitungshinweise Die Bearbeitungszeit
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrStatistische Methoden der Datenanalyse
Aktuelle Probleme der experimentellen Teilchenphysik (Modul P23.1.2b) Statistische Methoden der Datenanalyse Ulrich Husemann Humboldt-Universität zu Berlin Wintersemester 2010/2011 Vorstellung Vorlesung:
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
Mehr1.1 Was ist Statistik und warum ist Statistik wichtig?
1.1 Was ist Statistik und warum ist Statistik wichtig? Typischer Lexikon-Eintrag für den Begriff Statistik : Methode zur Untersuchung von Massenerscheinungen Versuch, den Umfang, die Gliederung oder Struktur
Mehr6.1 Grundbegriffe und historischer Hintergrund
Kapitel 6 Regression 61 Grundbegriffe und historischer Hintergrund Bedeutung der Regression: Eines der am häufigsten verwendeten statistischen Verfahren Vielfache Anwendung in den Sozialwissenschaften
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
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)
Mehr3. Einführung in die Zeitreihenanalyse
3. Einführung in die Zeitreihenanalyse Dr. Johann Burgstaller Finance Department, JKU Linz (Dieser Foliensatz wurde zuletzt aktualisiert am 25. Dezember 2007.) Dr. Johann Burgstaller IK Empirische Kapitalmarktforschung
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
MehrMesssystemanalyse (MSA)
Messsystemanalyse (MSA) Inhaltsverzeichnis Ursachen & Auswirkungen von Messabweichungen Qualifikations- und Fähigkeitsnachweise Vorteile einer Fähigkeitsuntersuchung Anforderungen an das Messsystem Genauigkeit
MehrBachelorprüfung. Praxis der empirischen Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname. Matrikelnr. E-Mail. Studiengang.
Lehrstuhl für Statistik und empirische irtschaftsforschung, SS 2009 ach: Prüfer: Bachelorprüfung Praxis der empirischen irtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnr. E-Mail
MehrMODULHANDBUCH. Master-Studiengang M.Sc. Economics. für dem. Alfred-Weber-Institut für Wirtschaftswissenschaften
für dem Master-Studiengang Alfred-Weber-Institut für Wirtschaftswissenschaften Inhaltsverzeichnis: MScE 1A Mikroökonomik... 1 MScE 1B Makroökonomik... 2 MScE 1C Ökonometrie... 3 MScE 1D Mathematik... 4
MehrPfadanalyse. 1. Grundlegende Verfahren. Bacher, SoSe2007
Pfadanalyse Bacher, SoSe2007 1. Grundlegende Verfahren Explorative Pfadanalyse: Kausale Beziehungen zwischen Variablen werden aufgedeckt, erforderlich ist eine kausale Anordnung der Variablen. Konfirmatorische
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
MehrÜbungen zur Mathematik für Pharmazeuten
Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl
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
Mehr1 wenn i weiblich, w i = 0 sonst.
Kapitel 10 Multikollinearität God abhors a naked singularity. (Stephen Hawking) 10.1 Problem Von Multikollinearität, bzw. Kollinearität, spricht man, wenn zwei oder mehrere erklärende x Variablen hoch
Mehr1. Einleitung. Ziel der Vorlesung: Einführung in deskriptive Statistik + Wirtschaftsstatistik. Internet-Seite der Vorlesung:
1. Einleitung Ziel der Vorlesung: Einführung in deskriptive Statistik + Wirtschaftsstatistik Internet-Seite der Vorlesung: http://www1.wiwi.uni-muenster.de/oeew/ Studium Veranstaltungen im Wintersemester
MehrPortfolio-Optimierung und Capital Asset Pricing
Portfolio-Optimierung und Capital Asset Pricing Prof. Dr. Nikolaus Hautsch Institut für Statistik und Ökonometrie Humboldt-Universität zu Berlin CASE, CFS, QPL Econ Boot Camp, SFB 649, Berlin, 8. Januar
MehrStatistik und Datenanalyse. eine praktische Einführung
Statistik und Datenanalyse eine praktische Einführung Antony Unwin Lehrstuhl für Rechnerorientierte Statistik und Datenanalyse Institut für Mathematik Universität Augsburg unwin@math.uni-augsburg.de Augsburger
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
MehrO PHASE 2012: STUNDENPLANBESPRECHUNG WIRTSCHAFTSWISSENSCHAFTEN
O PHASE 2012: STUNDENPLANBESPRECHUNG WIRTSCHAFTSWISSENSCHAFTEN AGENDA 1. Allgemeine Fragen 2. Studiendokumente 3. Stundenplan 4. Prüfungen 5. Sonstiges 6. Bei Fragen und Problemen MICHAEL WINKLER 2 1 ALLGEMEINES
MehrMÖGLICHKEITEN UND GRENZEN DER VORHERSAGBARKEIT VON EPIDEMIEN IN FRÜHEN STADIEN
MÖGLICHKEITEN UND GRENZEN DER VORHERSAGBARKEIT VON EPIDEMIEN IN FRÜHEN STADIEN Mario Ziller Friedrich-Loeffler-Institut Bundesforschungsinstitut für Tiergesundheit Institut für Epidemiologie Seestr. 55,
MehrÜbung zur Einführung in die empirische Mikroökonomik (Ökonometrie II) Einführung in STATA. Universität Bamberg. Professur für VWL, Sozialpolitik
Übung zur Einführung in die empirische Mikroökonomik (Ökonometrie II) Einführung in STATA Universität Bamberg Professur für VWL, Sozialpolitik Sommersemester 2005 Dipl.-Vw. Christoph Wunder () Einführung
MehrQuantitative Methoden der Bildungsforschung
Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang
MehrAngewandte Statistik und Datenanalyse
Emmerich Kneringer Angewandte Statistik und Datenanalyse WS 2010 704.025 Brauchbar fürs F-Praktikum 1 home page: physik.uibk.ac.at/fp1 Vortrag: Mo 4. Okt. 2010 14 30-17 00 RR 15 Übersicht Einführendes
MehrStandardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14.
Aufgabe : einfacher T-Test Statistik bei einer Stichprobe Standardfehl Standardab er des Mittelwert weichung Mittelwertes 699 39.68 76.59 2.894 Test bei einer Sichprobe Testwert = 45.5 95% Konfidenzintervall
MehrPortfolio-Optimierung und Capital Asset Pricing
Portfolio-Optimierung und Capital Asset Pricing Peter Malec Institut für Statistik und Ökonometrie Humboldt-Universität zu Berlin Econ Boot Camp, SFB 649, Berlin, 4. Januar 2013 1. Einführung 2 29 Motivation
MehrAufgabenblatt 10 zur Lehrveranstaltung Quantitative Methoden der Betriebswirtschaftslehre I Frühjahrssemester 2015
Universität Bern Bern, den 27. April 2015 Professur für Quantitative Methoden der BWL Schützenmattstr. 14, 3012 Bern Prof. Dr. Norbert Trautmann, Oliver Strub E-Mail: oliver.strub@pqm.unibe.ch Fragestunde
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
MehrAbschlüsse der Gesamtschule am Ende der Klasse 10
Abschlüsse der Gesamtschule am Ende der Klasse 10 Hauptschulabschluss nach Klasse 10 (Prognose für die WBG 2016: 28 SuS) Mittlerer Schulabschluss (Fachoberschulreife) (Prognose für die WBG 2016: 76 SuS)
MehrMultinomiale logistische Regression
Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
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:
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
MehrRegressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose
Informatik Philipp von der Born Regressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose Bachelorarbeit Universität Bremen Studiengang Informatik Regressionsanalyse zur
MehrCommercial Banking Übung 1 Kreditscoring
Commercial Banking Übung Kreditscoring Dr. Peter Raupach raupach@wiwi.uni-frankfurt.de Sprechzeit Dienstag 6-7:00 Uhr Raum 603 B Kreditscoring Gliederung Grundanliegen Das Sample Modellspezifikation Diskriminanzanalyse
Mehr5. Untersuchungsdesigns
Dr. habil. Rüdiger Jacob Methoden und Techniken der empirischen Sozialforschung Vorlesung mit Diskussion 5. Untersuchungsdesigns Experimente als Instrument zur Prüfung von Kausalität Kohortenstudien, Fall-Kontroll-Studien,
MehrCOMMERCIAL BANKING Sommersemester 2002 Wahrenburg / Raupach Aufgabenblatt 1. Aufgabenblatt 1
COMMERCIAL BANKING Sommersemester 2002 Wahrenburg / Raupach Aufgabenblatt Aufgabenblatt. (Präsentation zum Kreditscoring) 2. Sie haben einen Kredit an eine börsennotierte Firma XY vergeben. Bestimmen Sie
MehrEinführung in statistische Analysen
Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die
MehrInformationen für Studierende des Studiengangs Bachelor of Science in Volkswirtschaftslehre
Informationen für Studierende des Studiengangs Bachelor of Science in Volkswirtschaftslehre Prof. Dr. Till Requate Wirtschafts- und Sozialwissenschaftliche Fakultät 15. Oktober, 2008 Themen Aufbau des
MehrEinführung in die Mikroökonomie Angebot und Nachfrage
Einführung in die Mikroökonomie Angebot und Nachfrage Universität Erfurt Wintersemester 07/08 Prof. Dittrich (Universität Erfurt) Angebot und Nachfrage Winter 1 / 39 Themenübersicht Märkte Angebot und
MehrAnalyse von Querschnittsdaten. Regression mit Dummy-Variablen
Analyse von Querschnittsdaten Regression mit Dummy-Variablen Warum geht es in den folgenden Sitzungen? Datum Vorlesung 9.0.05 Einführung 26.0.05 Beispiele 02..05 Forschungsdesigns & Datenstrukturen 09..05
MehrKontingenzkoeffizient (nach Pearson)
Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrMethoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07
Regression Trees Methoden der Datenanalyse AI-basierte Decision Support Systeme WS 2006/07 Ao.Univ.Prof. Dr. Marcus Hudec marcus.hudec@univie.ac.at Institut für Scientific Computing, Universität Wien 2
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
MehrKlausurplan Mathematik WS 15/16 Stand: 4. Februar 2016 Klausurübersicht: Studierende
Klausurplan Mathematik WS 15/16 Stand: 4. Februar 2016 Klausurübersicht: Studierende ACHTUNG: Beachten Sie, dass einige Klausuren wegen niedriger Zahl von Anmeldungen durch mündliche Prüfungen ersetzt
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...
MehrWaldwachstumsmodelle Silva und BWINPro
Waldwachstumsmodelle Silva und BWINPro Jürgen Zell LV: Dynamische Modelle in der Waldökosystemforschung, 28.05.2013 Inhalt Durchmesserverteilung: Daten, Weibull-Anpassung, lineare Regression der Weibull-Parameter
MehrMultivariate Analysemethoden
Multivariate Analysemethoden 30.04.2014 Günter Meinhardt Johannes Gutenberg Universität Mainz Einführung Was sind multivariate Analysemethoden? Vorlesung Übung/Tut Prüfung Verfahrensdarstellung in Überblick
Mehr