Lösung - Übungsblatt 10
|
|
- Kasimir Boer
- vor 6 Jahren
- Abrufe
Transkript
1 Lösung - Übungsblatt 10 Aufgabe 2: Siehe Outputfile Aufgabe 2 a) Regressionsgleichung - Equation 1: price = β 1 + β 2 lotsize + β 3 sqrft + β 4 bdrms + u i Fit: price = β 1 + β 2 lotsize + β 3 sqrft + β 4 bdrms price = , 002lotsize + 0, 123sqrft + 13, 85bdrms Interpretation der Koeffizienten: Interpretation Absolutglied: Referenzkategorie: Grundstücksgröße und Hausgröße von 0 m 2, keine Schlafzimmer; Rein hypothetisch keine sinnvolle Interpretationsmöglichkeit. Interpretation β 2 : lotsize = β 2, geschätzt: 0,002; P-Value: 0,002 - signifikant von Null verschieden bei einem 5%igen Signifikanzniveau. Ein Haus mit einer Grundstücksgröße von Quadratfuß kostet im Durchschnitt $ mehr als ein Haus mit einer Grundstücksgröße von Quadratfuß, gegeben die Größe des Hauses und die Anzahl der Schlafzimmer. Interpretation β 3 : sqrft = β 3, geschätzt: 0,123 P-Value: 0,000 - signifikant von Null verschieden bei einem 5%igen Signifikanzniveau. Ein Haus, das 2500 Quadratfuß groß ist kostet im Durchschnitt $ mehr als ein Haus, das 2000 Quadratfuß groß ist, gegeben die Grundstücksgröße und die Anzahl der Schlafzimmer. Interpretation β 4 : bdrms = β 4, geschätzt: 13,85 P-Value: 0,128 - nicht signifikant von Null verschieden bei einem 5%igen Signifikanzniveau. Ein Haus mit 4 Schlafzimmern kostet im Durchschnitt $ mehr als ein Haus mit 3 Schlafzimmern, gegeben die Größe des Hauses und die Grundstücksgröße. Jedoch ist dieser Effekt statistisch nicht signifikant. 1
2 b) LM-Heteroskedastie-Test: Regressionsgleichung: û i 2 = γ 1 + γ 2 ŷ i 2 + ν i Test: H 0 : V ar(u i ) = σ 2 i vs H A : V ar(u i ) σ 2 Teststatistik: χ 2 stat χ 2 (1) unter H 0 χ 2 (1) = 3, 84 χ 2 stat = 12, 0181 (s. TSP-Output) Entscheidungsregel: H 0 ablehnen, wenn P-Value kleiner als 0, 05. Entscheidung: 12, 0181 > 3, 84 bzw. P V alue = 0, 001 < 0, 05 H 0 ablehnen. Heteroskedastie liegt vor. White-Heteroskedastie-Test - Equation 3: Regressionsgleichung: û i 2 = δ 1 + δ 2 lotsize + δ 3 sqrft + δ 4 bdrms + δ 5 lotsize sqrft + δ 6 sqrft bdrms + δ 7 bdrms lotsize + δ 8 lotsize 2 + δ 9 sqrft 2 + δ 10 bdrms 2 + ψ i Test: H 0 : V ar(u i ) = σ 2 i vs H A : V ar(u i ) σ 2 Teststatistik: χ 2 stat χ 2 (9) unter H 0 χ 2 (9) = 16, 92 χ 2 stat = N R 2 = 88 0, 3833 = 33, 73 Entscheidungsregel: H 0 ablehnen, wenn N R 2 > χ 2 (9). Entscheidung: 33, 73 > 16, 92 H 0 ablehnen. Heteroskedastie liegt vor. c) Regressionsgleichung - Equation 4: ln(price) = α 1 + α 2 lotsize + α 3 sqrft + α 4 bdrms + u i Fit: ln(price) = β 1 + β 2 lotsize + β 3 sqrft + β 4 bdrms ln(price) = 4, , lotsize + 0, 0004sqrft + 0, 025bdrms 2
3 Interpretation der Koeffizienten: Interpretation Absolutglied: siehe a) Interpretation α 2 : lotsize = α 2, geschätzt: 0,000006; P-Value: 0,007 - signifikant von Null verschieden bei einem 5%igen Signifikanzniveau. Ein Haus mit einer Grundstücksgröße von Quadratfuß kostet im Durchschnitt 6% mehr als ein Haus mit einer Grundstücksgröße von Quadratfuß, gegeben die Größe des Hauses und die Anzahl der Schlafzimmer. Interpretation α 3 : sqrft = α 3, geschätzt: 0,0004 P-Value: 0,000 - signifikant von Null verschieden bei einem 5%igen Signifikanzniveau. Ein Haus, das 2500 Quadratfuß groß ist kostet im Durchschnitt 20% mehr als ein Haus, das 2000 Quadratfuß groß ist, gegeben die Grundstücksgröße und die Anzahl der Schlafzimmer. Interpretation α 4 : bdrms = α 4, geschätzt: 0,025 P-Value: 0,380 - nicht signifikant von Null verschieden bei einem 5%igen Signifikanzniveau. Ein Haus mit 4 Schlafzimmern kostet im Durchschnitt 2,5% mehr als ein Haus mit 3 Schlafzimmern, gegeben die Größe des Hauses und die Grundstücksgröße. Jedoch ist dieser Effekt statistisch nicht signifikant. Heteroskedastie: Es liegt keine Heteroskedastie mehr vor siehe der von TSP ausgeführte LM Heteroskedastie Test: Teststatistik: χ 2 stat = 0, χ 2 (1) unter H 0 (χ 2 (1) = 3, 84) Entscheidungsregel: H 0 ablehnen, wenn P-Value kleiner als 0, 05. Entscheidung: P V alue = 0, 587 > 0, 05 H 0 nicht ablehnen. 3
4 TSP-Output PROGRAM COMMAND *************************************************************** 1? ? Programm zur Zusatzaufgabe auf Uebungsblatt 7 1? options crt; 2 2 freq n; 3 3? Einlesen der Daten 3 read (file= hprice.raw ) hprice lotsize sqrft bdrms ; 4 mat fullsmpl=@smpl ; 5 print fullsmpl ; 6 6?Ueberpruefen der Daten 6 smpl 1 10; 7 print hprice lotsize sqrft bdrms ; 8 8 smpl fullsmpl ; 9 9 msd(terse,byvar) hprice lotsize sqrft bdrms ; olsq hprice c lotsize sqrft bdrms; genr u 12 genr yhat genr yhat2 = yhat*yhat; 14 genr u2= u**2; olsq u2 c yhat2; 16 set r2lm=@rsq; 17 set nlm = 88; set LMHET = nlm*r2lm; 19 print LMHET; genr lotsize2=lotsize**2; 21 genr sqrft2=sqrft**2; 22 genr bdrms2=bdrms**2; genr lotsizesqrft=lotsize*sqrft; 24 genr sqrftbdrms=sqrft*bdrms ; 25 genr bdrmslotsize=bdrms*lotsize; olsq u2 c lotsize sqrft bdrms lotsize2 sqrft2 bdrms2 lotsizesqrft sqrftbdrms bdrmslotsize; 4
5 27 set 28 set nwhite=88; set WHITEHET = nwhite*r2white; 30 print WHITEHET; genr lnhprice=log(hprice); olsq lnhprice c lotsize sqrft bdrms; end ; EXECUTION ******************************************************************************* FULLSMPL Current sample: 1 to 10 HPRICE LOTSIZE SQRFT BDRMS Number of Observations: 88 Univariate statistics ===================== Num.Obs Mean Std Dev Minimum Maximum HPRICE LOTSIZE SQRFT BDRMS
6 Equation 1 ============ Method of estimation = Ordinary Least Squares Dependent variable: HPRICE Number of observations: 88 Mean of dep. var. = LM het. test = [.001] Std. dev. of dep. var. = Durbin-Watson = [<.800] Sum of squared residuals = Jarque-Bera test = [.000] Variance of residuals = Ramsey s RESET2 = [.003] Std. error of regression = F (zero slopes) = [.000] R-squared = Schwarz B.I.C. = Adjusted R-squared = Log likelihood = Estimated Standard Variable Coefficient Error t-statistic P-value C [.462] LOTSIZE E E [.002] SQRFT [.000] BDRMS [.128] Equation 2 ============ Method of estimation = Ordinary Least Squares Dependent variable: U2 Number of observations: 88 Mean of dep. var. = LM het. test = [.084] Std. dev. of dep. var. = Durbin-Watson = [<.590] Sum of squared residuals = E+10 Jarque-Bera test = [.000] Variance of residuals = E+08 Ramsey s RESET2 = [.050] Std. error of regression = F (zero slopes) = [.000] R-squared = Schwarz B.I.C. = Adjusted R-squared = Log likelihood = Estimated Standard Variable Coefficient Error t-statistic P-value C [.625] YHAT [.000] LMHET =
7 Equation 3 ============ Method of estimation = Ordinary Least Squares Dependent variable: U2 Number of observations: 88 Mean of dep. var. = LM het. test = [.606] Std. dev. of dep. var. = Durbin-Watson = [<.906] Sum of squared residuals = E+10 Jarque-Bera test = [.000] Variance of residuals = E+08 Ramsey s RESET2 = [.254] Std. error of regression = F (zero slopes) = [.000] R-squared = Schwarz B.I.C. = Adjusted R-squared = Log likelihood = Estimated Standard Variable Coefficient Error t-statistic P-value C [.173] LOTSIZE [.005] SQRFT [.758] BDRMS [.716] LOTSIZE E E [.915] SQRFT E E [.849] BDRMS [.704] LOTSIZESQRFT E E [.103] SQRFTBDRMS [.542] BDRMSLOTSIZE [.216] WHITEHET =
8 Equation 4 ============ Method of estimation = Ordinary Least Squares Dependent variable: LNHPRICE Number of observations: 88 Mean of dep. var. = LM het. test = [.587] Std. dev. of dep. var. = Durbin-Watson = [<.634] Sum of squared residuals = Jarque-Bera test = [.000] Variance of residuals = Ramsey s RESET2 = [.535] Std. error of regression = F (zero slopes) = [.000] R-squared = Schwarz B.I.C. = Adjusted R-squared = Log likelihood = Estimated Standard Variable Coefficient Error t-statistic P-value C [.000] LOTSIZE E E [.007] SQRFT E E [.000] BDRMS [.380] ******************************************************************************* END OF OUTPUT. 8
Fragen zum zweiten Teil der Vorlesung
Albert-Ludwigs-Universität Freiburg Ökonometrie (Bachelor) Lehrstuhl Prof. Fitzenberger, Ph.D. WS 2011/12 Fragen zum zweiten Teil der Vorlesung 1. Es soll geprüt werden, ob das obere Quartil (das 75%-Quantil)
MehrÜbungsblatt 7: Schätzung eines Mietspiegels
Prof. Bernd Fitzenberger, Ph.D. Ute Leuschner Stefanie Schäfer Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Wintersemester 2010/11 Übungsblatt 7: Schätzung
MehrFragestunde zur Übung
Prof. Bernd Fitzenberger, Ph.D. Dr. Roland Füss Aderonke Osikominu Übung zur Veranstaltung Empirische Wirtschaftsforschung Albert-Ludwigs-Universität Freiburg Wintersemester 2007/08 Fragestunde zur Übung
MehrKlausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung. Prof. Bernd Fitzenberger, Ph.D. WS 2010/11. Mittwoch, 16.
Klausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. WS 2010/11 Mittwoch, 16. Februar 2011 Die folgenden drei Aufgaben sind alle zu bearbeiten. Die insgesamt
MehrKlausur zur Vorlesung: Prof. Bernd Fitzenberger, Ph.D. WS 2009/2010. Donnerstag, den 18. Februar 2010
Klausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. WS 2009/2010 Donnerstag, den 18. Februar 2010 Die folgenden drei Aufgaben sind alle zu bearbeiten.
MehrNachholklausur ÖKONOMETRIE für Bachelor VWL
Nachholklausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrKlausur ÖKONOMETRIE für Bachelor VWL
Klausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrKlausur zur Vorlesung: Prof. Bernd Fitzenberger, Ph.D. SS 2012 Donnerstag, 31. Juli 2012
Klausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. SS 2012 Donnerstag, 31. Juli 2012 Die folgenden drei Aufgaben sind alle zu bearbeiten. Die insgesamt
MehrKlausur ÖKONOMETRIE für Bachelor VWL
Klausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
MehrX =, y In welcher Annahme unterscheidet sich die einfache KQ Methode von der ML Methode?
Aufgabe 1 (25 Punkte) Zur Schätzung der Produktionsfunktion des Unternehmens WV wird ein lineares Regressionsmodell der Form angenommen. Dabei ist y t = β 1 + x t2 β 2 + e t, t = 1,..., T (1) y t : x t2
MehrNachholklausur ÖKONOMETRIE für Bachelor VWL
Nachholklausur ÖKONOMETRIE für Bachelor VWL Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens
Mehr1 Beispiel zur Methode der kleinsten Quadrate
1 Beispiel zur Methode der kleinsten Quadrate 1.1 Daten des Beispiels t x y x*y x 2 ŷ ˆɛ ˆɛ 2 1 1 3 3 1 2 1 1 2 2 3 6 4 3.5-0.5 0.25 3 3 4 12 9 5-1 1 4 4 6 24 16 6.5-0.5 0.25 5 5 9 45 25 8 1 1 Σ 15 25
MehrProbeklausur EW II. Für jede der folgenden Antworten können je 2 Punkte erzielt werden!
Probeklausur EW II Bitte schreiben Sie Ihre Antworten in die Antwortfelder bzw. markieren Sie die zutreffenden Antworten deutlich in den dafür vorgesehenen Kästchen. Wenn Sie bei einer Aufgabe eine nicht-zutreffende
MehrKlausur ÖKONOMETRIE für Bachelor
Klausur ÖKONOMETRIE für Bachelor Name, Vorname: Matrikel-Nr. Die Klausur enthält zwei Typen von Aufgaben: Teil A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine
MehrTeekonsum in den USA (in 1000 Tonnen), Nimmt den Wert 1 an für alle Perioden, Durchschnittlicher Preis des Tees in Periode t (in Tausend $/Tonne).
Aufgabe 1 (5 Punkte) Gegeben sei ein lineares Regressionsmodell in der Form. Dabei ist y t = x t1 β 1 + x t β + e t, t = 1,..., 10 (1) y t : x t1 : x t : Teekonsum in den USA (in 1000 Tonnen), Nimmt den
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
Mehr6.4 Kointegration Definition
6.4 Kointegration 6.4.1 Definition Nach Engle und Granger (1987): Wenn zwei oder mehrere Variablen I(1) sind, eine Linearkombination davon jedoch I() ist, dann sind die Variablen kointegriert. Allgemein:
MehrÜbungsblatt 8: Spezifikations- und andere Fragen rund um das lineare Regressionsmodell
Prof. Bernd Ftzenberger, Ph.D. Ute Leuschner Anthony Strttmatter Übung zur Veranstaltung Emprsche Wrtschaftsforschung Albert-Ludwgs-Unverstät Freburg Wntersemester 2009/10 Übungsblatt 8: Spezfkatons- und
Mehr1 Gliederung Zeitreihenökonometrie. Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09. Dr. Sylvia Kaufmann.
Angewandte Ökonometrie (Folien) Zeitreihenökonometrie Universität Basel, FS 09 Dr Sylvia Kaufmann Februar 2009 Angewandte Ökonometrie, Sylvia Kaufmann, FS09 1 1 Gliederung Zeitreihenökonometrie Einführung
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
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung VII/ VIII. Makroökonometrische Modellierung nach der Vereinigung
Dipl. Vw. Matthias Kirbach Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT CURANDO DOCENDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
Mehr1. Übung: Einführung in EVIEWS
Goethe-Universität Frankfurt Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Finanzökonometrie Sommersemester 2007 1. Übung: Einführung in EVIEWS Kreieren Sie eine Arbeitsumgebung (workfile)
MehrHeteroskedastie. Test auf Heteroskedastie. Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist.
Heteroskedastie Heteroskedastie bedeutet, dass die Varianz der Residuen in der Stichprobe nicht konstant ist. Beispiele: Bei Zeitreihendaten : Ansteigen der Varianz über die Zeit, Anstieg der Varianz mit
MehrNachholklausur zur Vorlesung: Prof. Bernd Fitzenberger, Ph.D. SS 2012 Mittwoch, 17. Oktober 2012
Nachholklausur zur Vorlesung: Einführung in die Empirische Wirtschaftsforschung Prof. Bernd Fitzenberger, Ph.D. SS 2012 Mittwoch, 17. Oktober 2012 Die folgenden drei Aufgaben sind alle zu bearbeiten. Die
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
Mehr2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme)
2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme) Annahme A1: Im multiplen Regressionsmodell fehlen keine relevanten exogenen Variablen und die benutzten exogenen Variablen x 1,
MehrErrata im Empiwifo-Skript
Errata im Empiwifo-Skript Stand: 18. Juli 2012 Seite Fehler Korrigiert iv Formulierung x TSP 5.0 TSP 5.1 39 Abschnitt 7.2 Abschnitt 6.2 49 Falscher Output-Titel TSP-Programm zu Kapitel 3.1 68 Falscher
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung IX. Dynamische Modelle
Dipl. Vw. Matthias Kirbach Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
Mehr6 Nichtstationarität und Kointegration
6 Nichtstationarität und Kointegration 6.1 Kapitelübersicht, Problematik Die Analyse nichtstationärer Zeitreihen wird folgende Gesichtspunkte anschneiden: Definition von Nichtstationarität, von integrierten
MehrKlausur zur Veranstaltung Empirische Wirtschaftspolitik
Seite 1 von 11 Prof. Frank Westermann, Ph.D. Fachgebiet Internationale Wirtschaftspolitik Rolandstraße 8, 49069 Osnabrück Klausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2016/2017
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrDer Ablauf bei der Erstellung empirischer Arbeiten
1 Prof. Dr. Werner Smolny SS 2002 Einführung in die empirische Wirtschaftsforschung Der Ablauf bei der Erstellung empirischer Arbeiten A Die wirtschaftliche Fragestellung und das theoretische Modell 1.
Mehr5 Multivariate stationäre Modelle
5 Multivariate stationäre Modelle 5.1 Autoregressive distributed lag (ADL) 5.1.1 Das Modell und dessen Schätzung Im vorangehenden Kapitel führten wir mit der endogenen verzögerten Variablen, y t 1, als
MehrStefanie Licklederer/Ute Schulze Wintersemester 2013/14. Übungsblatt 1 Wachstumsraten, Indizes
B.5 Übung Prof. Bernd Fitzenberger, Ph.D. 1. Wachstumsraten Übungsblatt 1 Wachstumsraten, Indizes Definieren Sie die Begriffe Wachstumsrate und Wachstumsfaktor konventionell und auf Basis von Logarithmen.
MehrAllgemein zu Hypothesentests: Teststatistik. OLS-Inferenz (Small Sample) Allgemein zu Hypothesentests
OLS-Inferenz (Small Sample) K.H. Schild 3. Mai 017 Allgemein zu Hypothesentests: Teststatistik Konstruktion eines Hypothesentests erfolgt meistens über eine Teststatistik Eine Teststatistik T ist eine
Mehr6. Heteroskedastizität (Verletzung der B2-Annahme)
6. Heteroskedastizität (Verletzung der B2-Annahme) Annahme B2: Die Störgröße u i hat für i = 1,..., N eine konstante Varianz, d.h. V ar(u i ) = σ 2 Bezeichnungen: Konstante u i -Varianzen: Homoskedastizität
MehrProf. Regina T. Riphahn, Ph.D. WS 04/05 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 24. Februar 2005,
Prof. Regina T. Riphahn, Ph.D. WS 4/5 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 24. Februar 25, 9.-1.3 Uhr Erlaubte Hilfsmittel: Tabelle der statistischen Verteilungen, 4 DIN
MehrKlausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2012/2013
Seite 1 von 10 Prof. Frank Westermann, Ph.D. Fachgebiet Internationale Wirtschaftspolitik Rolandstraße 8, 49069 Osnabrück Klausur zur Veranstaltung Empirische Wirtschaftspolitik Wintersemester 2012/2013
MehrKapitel 10. Multikollinearität. Exakte Multikollinearität Beinahe Multikollinearität
Kapitel 0 Multikollinearität Exakte Multikollinearität Beinahe Multikollinearität Exakte Multikollinearität Unser Modell lautet y = Xb + u, Dimension von X: n x k Annahme : rg(x) = k Wenn sich eine oder
MehrDas lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Das ökonomische
MehrV. Das lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Tino Conrad, M.Sc. Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2016 Übung zur
MehrKurze Einführung in die Ökonometrie-Software E-Views
Kurze Einführung in die Ökonometrie-Software E-Views Folie 2 Workfile Kurze Einführung in die Ökonometrie-Software E-Views 4. November 2008 Typischerweise liegen die Daten in einem Spreadsheet -Format
MehrNotiz zur Schätzung des strukturellen Defizits mit Hilfe der langfristigen Aufkommenselastizität. von: Carsten Colombier
Notiz des Ökonomenteams EFV, Nr. 01, Juli 2003 Notiz zur Schätzung des strukturellen Defizits mit Hilfe der langfristigen Aufkommenselastizität von: Carsten Colombier Intention Diese Notiz ist als Ergänzung
MehrFinanzmarkttheorie I. Performancemessung in EViews Übungsunterlage. Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015
Prof. Dr. Heinz Zimmermann WWZ Uni Basel Frühling 2015 Finanzmarkttheorie I Performancemessung in EViews Übungsunterlage Die vorliegende Unterlage liefert eine kurze Einführung in die Schätzung linearer
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
MehrDie Schätzung einer Produktionsfunktion
Universität Ulm 89069 Ulm Germany Prof. Dr. Werner Smolny Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Institutsdirektor Sommersemester
MehrZeitreihen-Ökonometrie, SS 2017 Lösungen Aufgabenblatt 3
Zeitreihen-Ökonometrie, SS 2017 Lösungen Aufgabenblatt 3 Aufgabe 5: Mit dem folgenden Modell soll untersucht werden, ob die Höhe der Ausgaben für Wahlkampagnen bei den amerikanischen Präsidentschaftswahlen
Mehr3. Das einfache lineare Regressionsmodell
3. Das einfache lineare Regressionsmodell Ökonometrie: (I) Anwendung statistischer Methoden in der empirischen Forschung in den Wirtschaftswissenschaften Konfrontation ökonomischer Theorien mit Fakten
MehrAnalyse Multikollinearität am Beispiel einer Importfunktion für die Schweiz
2. Multikollinearität Ökonometrie II - Peter Stalder Analyse Multikollinearität am Beispiel einer Importfunktion für die Schweiz Die Güterimporte der Schweiz sollen mit der privaten Konsumnachfrage, den
MehrÜbung zur Empirischen Wirtschaftsforschung IX. Einkommensfunktion
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
Mehr4. Das multiple lineare Regressionsmodell
4. Das multiple lineare Regressionsmodell Bisher: 1 endogene Variable y wurde zurückgeführt auf 1 exogene Variable x (einfaches lineares Regressionsmodell) Jetzt: Endogenes y wird regressiert auf mehrere
MehrErgänzung der Aufgabe "Mindestlöhne" zu einer multiplen Regression
Prof. Dr. Peter von der Lippe ( Übungsblatt E) Ergänzung der Aufgabe "Mindestlöhne" zu einer multiplen Regression Das Beispiel "Mindestlöhne" zur einfachen multiplen Regression ergab die folgenden Parameter
MehrÜbung zur Empirischen Wirtschaftsforschung. VII. Ökonometrische Testverfahren. 7.1 Geldnachfragefunktion. 7.2 Empirische Ergebnisse: Westdeutschland
Universität Ulm 89069 Ulm Germany Dipl.-WiWi. Christian Peukert Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
MehrÜbung zur Empirischen Wirtschaftsforschung. VII. Ökonometrische Testverfahren. 7.2 Die Geldnachfragefunktion
Universität Ulm 89069 Ulm Germany Dipl.-Kfm. Philipp Buss Dipl.-Math. oec. Daniel Siepe Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur
MehrEin Modell für den Weltmarkt von Kupfer
Draft 1 Ein Modell für den Weltmarkt von Kupfer siehe Estimating and Forecasting Industry Demand for Price-Taking Firms, aus: Thomas, Maurice: Managerial Economics, 9/e http://highered.mcgraw-hill.com/sites/dl/free/0073402818/459485/tho02818_mod3_web.pdf
Mehr7. Integrierte Prozesse
7. Integrierte Prozesse Bisher: Behandlung stationärer Prozesse (stationäre ARMA(p, q)-prozesse) Problem: Viele ökonomische Zeitreihen weisen im Zeitverlauf ein nichtstationäres Verhalten auf 225 Beispiel:
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie WS 2017/18. ( = 58 Punkte)
Aufgabe 3 (14 + 2 + 7 + 7 + 3 + 5 + 9 + 11 = 58 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe der Statistiksoftware R soll der Datensatz HousePrices aus
MehrZwischenklausur ÖKONOMETRIE
Zwischenklausur ÖKONOMETRIE Name, Vorname: Matrikel-Nr. Die Klausur besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine Antwort richtig ist und von denen mehrere
MehrEmpirische Wirtschaftsforschung in R
Empirische Wirtschaftsforschung in R Schätzung der keynesianischen Geldnachfragefunktion auf Basis von Daten der dänischen Volkswirtschaft Jonas Richter-Dumke Universität Rostock, Institut für Volkswirtschaftslehre
MehrProf. Regina T. Riphahn, Ph.D. WS 03/04 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 10. Februar 2004,
Prof. Regina T. Riphahn, Ph.D. WS 03/04 Abschlussklausur zur Veranstaltung "Einführung in die Ökonometrie" am 10. Februar 2004, 9.00-10.30 Uhr Erlaubte Hilfsmittel: Tabelle der statistischen Verteilungen,
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie WS 2014/15. ( = 57 Punkte)
Aufgabe 3 (6 + 4 + 8 + 4 + 10 + 4 + 9 + 4 + 8 = 57 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe eines multiplen linearen Regressionsmodells soll auf
MehrBeispiele für Prüfungsfragen Ökonometrie I und II
Beispiele für Prüfungsfragen Ökonometrie I und II Von den sieben Beispielen von Prüfungsfragen wären in einer konkreten einstündigen Prüfung etwa deren zwei zu beantworten. Aufgaben 3, 4, 6 und 7 beziehen
MehrDipl. Vw. Matthias Kirbach Sommersemester Übung VI/ VII
Dipl. Vw. Matthias Kirbach Sommersemester 2006 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 02 Tel. 0731 50 24265 UNIVERSITÄT CURANDO DOCENDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
MehrAuswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
MehrVI. Die Taylor Regel
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Klaus Gründler Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester
Mehr11. Simultane Gleichungssysteme
11. Simultane Gleichungssysteme Bisher: Schätzung und Inferenz einzelner Gleichungen Jetzt: Modellierung und Schätzung von Gleichungssystemen 329 Beispiel: [I] Untersuchung des Einflusses von Werbemaßnahmen
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrMultiple Regression III
Multiple Regression III Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Überprüfung der Modellannahmen Residuen-Plot Normal-Q-Q-Plot Cook s Distanz-Plot Maßnahmen bei Abweichungen von Modellannahmen
MehrKapitel 3. Inferenz bei OLS-Schätzung I (small sample, unter GM1,..., GM6)
8 SMALL SAMPLE INFERENZ DER OLS-SCHÄTZUNG Damit wir die Verteilung von t (und anderen Teststatistiken) exakt angeben können, benötigen wir Verteilungsannahmen über die Störterme; Kapitel 3 Inferenz bei
MehrFRAGESTUNDE WS 2016/17 QM 2. Dr. Christian Schwarz 1
FRAGESTUNDE Dr. Christian Schwarz 1 #2 - Allgemein Q: Müssen wir den Standard Error händisch berechnen können? R: Nein. Q: Hat das Monte Carlo Experiment irgendeine Bedeutung für uns im Hinblick auf die
MehrLean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
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,
MehrStatistik II. Kurze Einführung in TSP
i.a. Prof. Dr. Roland Füss SS 2008 Statistik II Kurze Einführung in TSP 1. Allgemeines Wir haben beim Arbeiten mit dem TSP zwei Möglichkeiten: Zum einen können wir interaktiv arbeiten, d.h. wir geben einen
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie SS ( = 57 Punkte)
Aufgabe 3 (9 + 5 + 7 + 7 + 3 + 9 + 7 + 10 = 57 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Zu Beginn der Studienjahre 2011 und 2012 wurden Studienanfänger an
MehrSyntax. Ausgabe *Ü12. *1. corr it25 with alter li_re kontakt.
Syntax *Ü2. *. corr it25 with alter li_re kontakt. *2. regression var=it25 alter li_re kontakt/statistics /dependent=it25 /enter. regression var=it25 li_re kontakt/statistics /dependent=it25 /enter. *3.
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
Breusch-Pagan-Test I Ein weiterer Test ist der Breusch-Pagan-Test. Im Gegensatz zum Goldfeld-Quandt-Test ist es nicht erforderlich, eine (einzelne) Quelle der Heteroskedastizität anzugeben bzw. zu vermuten.
MehrBeispiel: Multiples Modell/Omitted Variable Bias I
4 Multiple lineare Regression Konfidenzintervalle und Tests 4.3 Beispiel: Multiples Modell/Omitted Variable Bias I Beispieldatensatz mit Daten zur Lohnhöhe (y i ), zu den Ausbildungsjahren über den Hauptschulabschluss
MehrStatistik II für Betriebswirte Vorlesung 11
Statistik II für Betriebswirte Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 18. Januar 2017 Prof. Dr. Hans-Jörg Starkloff Statistik II für Betriebswirte Vorlesung
MehrÜbung VIII Ökonometrische Testverfahren
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
Mehr11. weitere Übungsaufgaben Statistik II WiSe 2017/2018
11. weitere Übungsaufgaben Statistik II WiSe 2017/2018 1. Aufgabe: Bei 100 Fahrzeugen des gleichen Typs sind neben dem Preis (PREIS) auch die gefahrene Strecke (MEILEN) und die Anzahl der Werkstattbesuche
Mehr6. Tutoriumsserie Statistik II
6. Tutoriumsserie Statistik II 1. Aufgabe: Eine Unternehmensabteilung ist ausschließlich mit der Herstellung eines einzigen Produktes beschäftigt. Für 10 Perioden wurden folgende Produktmenge y und Gesamtkosten
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie SS 2018
Aufgabe 3 (15 + 1 + 7 + 7 + 7 + 5 = 42 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe der Statistiksoftware R soll der Datensatz HousePrices aus dem Paket
MehrBreusch-Pagan-Test I auf Heteroskedastie in den Störgrößen
4 Multiple lineare Regression Tests auf Heteroskedastie 4.11 Breusch-Pagan-Test I auf Heteroskedastie in den Störgrößen Ein weiterer Test auf Heteroskedastie in den Störgrößen ist der Breusch-Pagan-Test.
Mehr