Klassen diskreter Variablen
|
|
- Gerhardt Kneller
- vor 6 Jahren
- Abrufe
Transkript
1 Modelle diskreter Variablen Klassen diskreter Variablen binär multinomial Weitere Klassifizierung multinomialer diskreter Variablen: kategorial y = 1, falls Einkommen < 3000 e. y = 2, falls Einkommen zw und 5000 e. y = 3, falls Einkommen > 5000 e. nicht kategorial y = Anzahl der Autos im Haushalt. Weitere Klassifizierung kategorialer Variablen abhängig davon, ob diese natürliche Ordnung oder Reihenfolge besitzen. Ökonometrie 2 (SS 2007) 1 / 31
2 Modelle diskreter Variablen Klassen diskreter Variablen nominal/ ungeordnet kategorial y = 1, falls Verkehrsmittel Auto. y = 2, falls Verkehrsmittel Bus. y = 3, falls Verkehrsmittel Auto. sequentiell y = 1, falls Person entscheidet, nicht zu arbeiten. y = 2, falls Person arbeiten will, aber keine Anstellung findet. y = 3, falls Person Arbeit hat. Die Charakteristiken jeder diskreten Variablen bestimmen die möglichen Methoden zur Lösung des Modells. Ökonometrie 2 (SS 2007) 2 / 31
3 Binäre Auswahlmodelle Theoretischer Hintergrund Betrachte binäre abhängige Variable y, die nur zwei mögliche Werte (z.b. 0 und 1) annehmen kann, sowie Vektor von erklärenden Variablen x, welcher Realisation von y beeinflusst. Die (unbedingte) Erwartung der binären Variable y wird mittels Wahrscheinlichkeit definiert: E(y) = P(y = 1). Nun beeinflusse die Menge der erklärenden Variablen x das Ergebnis von y. Dann ist die bedingte Erwartung von y bei geg. x definiert als: E(y x) = P(y = 1 x). Ökonometrie 2 (SS 2007) 3 / 31
4 Binäre Auswahlmodelle Theoretischer Hintergrund Verbindet man diesen Term mit der üblichen Regression y = F (x, β) + u, so erhält man für die bedingte Erwartung E(y x) = E(F (x, β) + u x) = F (x, β) + E(u x) = F (x, β). Das übliche Regressionsfunktional F (x, β) ist eine Darstellung der bed. Erwartung von y bei geg. x. Ist die abhängige Variable der Regression binär, so ist F (x, β) gleich zur bed. Wahrscheinlichkeit der Beobachtung y = 1. Die Eigenschaften von binären Auswahlmodellen hängen entscheident davon ab, wie F (x, β) festgelegt wird. Ökonometrie 2 (SS 2007) 4 / 31
5 Das Lineare Wahrscheinlichkeitsmodell Betrachte die binäre Variable y und den (k dim.) Vektor x der erklärenden Variablen. Wir legen die bed. Wahrscheinlichkeit fest als: P(y = 1 x) = F (x, β) = x β. Führen wir zufälligen Störterm u ein, so erhalten wir y = x β + u, wobei E(u x) = 0 per Definition und f (u) Dichtefkt. Für zufällig aus Grundgesamtheit gezogene Stichprobe von n Beobachtungen {y i, x i } gilt y i = x i β + u i. OLS Schätzung kann erfolgen. Bekannt als Lineares Wahrscheinlichkeitsmodell (Linear Probability Model, LPM) Ökonometrie 2 (SS 2007) 5 / 31
6 Das Lineare Wahrscheinlichkeitsmodell Probleme mit LPM Störterme nicht normal verteilt u i = 1 x i β mit Wahrscheinlichkeit f (u i) = x i β u i = x i β mit Wahrscheinlichkeit f (u i) = 1 x i β Störterme heteroskedastisch var(u i x i ) = E(u 2 i ) = ( x i β) 2 (1 x i β) + (1 x i β) 2 (x i β) = (x i β) (1 x i β) = P(y i = 1 x i ) P(y i = 0 x i ). Bed. Erwartung nicht zw. 0 und 1 beschränkt E(y i x i ) = P(y i = 1 x i ) = x i β, was für ganze reelle Achse definiert ist. Ökonometrie 2 (SS 2007) 6 / 31
7 Mögliche Lösungen Das Lineare Wahrscheinlichkeitsmodell Behandlung der Heteroskedastizität durch Gewichtete Kleinste Quadrate Methode mit Gewichten w i = (x i ˆβ) (1 x i ˆβ), die aus einer vorhergehenden Schätzung berechnet werden. Das angepasste Modell wird zu y i = x i u i β +. w i w i w i Aber man erhält noch keine Wahrscheinlichkeiten nur im Bereich [0, 1]. Bessere Lösung ist Re Spezifizierung oder Transformation des Regressionsmodells, um Wahrscheinlichkeit zu beschränken. Ökonometrie 2 (SS 2007) 7 / 31
8 Probit und Logit Modelle Im Allgemeinen gilt E(y i x i ) = P(y i = 1 x i ) = F (x i, β). Für das Lineare Wahrscheinlichkeitsmodell: F (x i, β) = x i β. Um das Wahrscheinlichkeitsmodell zu lösen, muss der Wert von F (x i, β) auf das Intervall [0, 1] beschränkt werden. Ökonometrie 2 (SS 2007) 8 / 31
9 Probit und Logit Modelle Der Transformationsansatz Für Probit F (x i, β) = Φ(x i β), wobei Φ Verteilungsfkt. der Standardnormalverteilung. Für Logit wobei Λ(z) = die logistische Funktion darstellt. F (x i, β) = Λ(x i β), exp(z) 1 + exp(z) = exp( z) Ökonometrie 2 (SS 2007) 9 / 31
10 Probit und Logit Modelle Der Transformationsansatz Beide Fkt. Φ(z) und Λ(z) sind monoton wachsend in z. Außerdem gilt F (x i, β) 0 falls x i β, F (x i, β) 1 falls x i β +. Probit und Logit Modelle liefern wohldefinierte Wahrscheinlichkeiten. Allerdings kann OLS nicht mehr verwendet werden, da transformierte Regressionsfkt. nicht linear ist. Man nutzt ML Techniken. LPM als Approximation einer beliebigen nichtlinearen Wahrscheinlichkeitsfkt. F ( ) mittels Taylor Reihenentwicklung 1. Ordnung um x = x 0 F (x, β) F (x 0, β) + (x x 0 ) F (x 0, β) β = x β 0. Ökonometrie 2 (SS 2007) 10 / 31
11 Probit und Logit Modelle Latente Variable Wir nehmen an, dass eine zugrunde liegende (und nicht beobachtete) latente Variable y existiert, mit y (, ). Wir beobachten y nicht direkt, sondern nur binären Variable y, so dass y = 1I{y > 0}. Dabei ist 1I die Indikatorfunktion, d. h. wird die Bedingung erfüllt, nimmt sie den Wert 1 an, ansonsten 0. Wir definieren die latente Gleichung in linearer Form: y = x β + u, wobei u zufällig ist mit symmetrischer Dichte f und zugehöriger Verteilungsfkt. F. Ökonometrie 2 (SS 2007) 11 / 31
12 Probit und Logit Modelle Latente Variable Somit folgt E(y x) = P(y = 1 x) = P(y > 0 x) = P(x β + u > 0) = P(u > x β) = 1 F ( x β) = F (x β). Durch Festlegung einer geeigneten Verteilungsfkt. für u erhalten wir Probit bzw. Logit Modelle. Für normal verteiltes u müssen Parameter skaliert werden, damit σ 2 = Var(u) = 1. Denn P(y = 1 x) = P(u > x β) = P(u/σ > x (β/σ)) = P(z > x (β/σ)) = Φ(x (β/σ)). Ökonometrie 2 (SS 2007) 12 / 31
13 Probit und Logit Modelle Theoretische Grundlagen Repräsentiere y = 1 eine Person, die arbeitet, und y = 0 eine, die nicht arbeitet. Diese werden mittels spezifischer Größen U y beschrieben U y=1 = x β 1 + u 1, U y=0 = x β 0 + u 0. Teilnahme am Arbeitsmarkt, wenn U y=1 > U y=0. Somit y = 1I{U y=1 > U y=0} = 1I{x β 1 + u 1 > x β 0 + u 0 } = 1I{u 1 u 0 > x (β 1 β 0 )}. Identifiziere Differenz β 1 β 0. Es folgt mit y = 1I{y > 0}, y = x (β 1 β 0 ) + (u 1 u 0 ) = x β + u. Ökonometrie 2 (SS 2007) 13 / 31
14 ML Schätzung Betrachte Stichprobe von n Beobachtungen {y i, x i }, mit binärem y i. Setze y i = 1I{y i > 0} für y i = x i β + u i. Für jeden Vektor β ist die Wahrscheinlichkeit, y i bei geg. x i zu beobachten: L(β x i ) = = n P(y i x i, β) i=1 n P(y i = 0 x i, β) 1 y i P(y i = 1 x i, β) y i. i=1 Logarithmieren liefert ln L(β x i ) = n {(1 y i ) ln P(y i = 0 x i, β) + y i ln P(y i = 1 x i, β)}. i=1 Ökonometrie 2 (SS 2007) 14 / 31
15 ML Schätzung Für Probit Modell folgt P(y i = 1 x i, β) = Φ(x i β), P(y i = 0 x i, β) = 1 Φ(x i β) und damit Log Likelihood der Form n ln L(β x i ) = {(1 y i ) ln(1 Φ(x i β)) + y i ln Φ(x i β)}. Für Logit Modell i=1 P(y i = 1 x i, β) = Λ(x i β) = exp(x i β) 1 + exp(x i β), P(y i = 0 x i, β) = 1 Λ(x i 1 β) = 1 + exp(x i β) und damit Log Likelihood der Form n ln L(β x i ) = {(1 y i ) ln(1 Λ(x i β)) + y i ln Λ(x i β)}. i=1 Ökonometrie 2 (SS 2007) 15 / 31
16 Notwendige Bedingungen ML Schätzung Für die Maximierung der allg. Log Likelihood ist notwendig, dass Für Probit Modell S(β) = Für Logit Modell n i=1 S(β) = S(β) = ln L(β x i) β = 0. y i Φ(x i β) Φ(x i β) (1 Φ(x i β)) φ(x i β) x i. n i=1 [ y i exp(x i β) ] 1 + exp(x i β) x i. Man erhält ML Lösungen für Parameter, die S(β) = 0 erfüllen. Ökonometrie 2 (SS 2007) 16 / 31
17 Interpretation/ Koeffizientenvergleich Binäre Auswahlmodelle Binäre Auswahlmodelle: LPM P(y i = 1 x i, β) = x i β Probit P(y i = 1 x i, β) = Φ(x i β) Logit P(y i = 1 x i, β) = Λ(x i β) Für positives (negatives) β j wird P(y i = 1 x i, β) = F (x i β) anwachsen (fallen) mit wachsendem x j. Ökonometrie 2 (SS 2007) 17 / 31
18 Marginale Effekte Interpretation/ Koeffizientenvergleich LPM Probit Logit P(y i = 1 x i, β) x ij P(y i = 1 x i, β) x ij = β j P(y i = 1 x i, β) x ij = = φ(x i β) β j exp(x i β) (1 + exp(x i β))2 β j Folgerungen Schätzungen der Steigung sind nicht direkt vergleichbar. Z.B. sind die Varianzen der Störterme in Logit und Probit Modell unterschiedlich. Ebenso sind die Parameter verschieden skaliert. Ökonometrie 2 (SS 2007) 18 / 31
19 Marginale Effekte Interpretation/ Koeffizientenvergleich Ebenso sei darauf hingewiesen, dass die Marginalen Effekte in LPM konstant sind, d. h. unabhängig von den Daten, die Marginalen Effekte in Probit und Logit von x i abhängen. Beliebte Approximationen: β LPM 0.25 β L für Steigung, β LPM 0.25 β L für Achsenabschnitt, β P β L. Ökonometrie 2 (SS 2007) 19 / 31
20 Interpretation/ Koeffizientenvergleich Empirisches Beispiel: Kinderbetreuung Geschätzte Parameter Variable LPM Probit Logit Alleinstehende Frau Weitere Kinder, Alter Frau arbeitet Schule mit 18 J verlassen Besucht College/Uni Jüngstes Kind 2 J alt Jüngstes Kind 3-4 J alt Bezieht Unterhalt Konstante Datenquelle: 1991/92 General Household Survey, aus dem Stichprobe vom Umfang n = 1288 Frauen gezogen wurde, die für mindestens ein Kind im Vorschulalter verantwortlich sind. Ökonometrie 2 (SS 2007) 20 / 31
21 Interpretation/ Koeffizientenvergleich Empirisches Beispiel: Kinderbetreuung Die abhängige Variable ist 1, wenn die Frau für Kinderbetreuung bezahlt, 0 sonst. Referenz in allen Fällen: verheiratete Frau, nicht arbeitend, die Schule mit 16 Jahren verlassen, ein Kind jünger als 2, kein Unterhalt. Für den Referenz Haushalt nehmen alle erklärenden Variablen den Wert 0 an, was zu folgenden Wahrscheinlichkeitsschätzern führt: LPM P(y i = 1 x i ) = x i β = 0.153, Probit P(y i = 1 x i ) = Φ(x i β) = Φ( 0.995) = 0.161, Logit P(y i = 1 x i ) = Λ(x i β) = exp( 1.645) 1 + exp( 1.645) = Ökonometrie 2 (SS 2007) 21 / 31
22 Interpretation/ Koeffizientenvergleich Empirisches Beispiel: Kinderbetreuung Wie ändern sich diese für eine Frau, die z. B. eine Universität besucht? LPM P(y i = 1 x i ) = x i β = = 0.313, Probit P(y i = 1 x i ) = Φ(x i β) = Φ( ) = Φ( 0.537) = 0.296, Logit P(y i = 1 x i ) = Λ(x i β) = exp( ) 1 + exp( ) = Ökonometrie 2 (SS 2007) 22 / 31
23 Statistische Inferenz Für LPM folgt: Die geschätzten Standardfehler können leicht hergeleitet und berechnet werden. Allerding: LPM ist heteroskedastisch. Für Probit und Logit Modelle gilt: n ( β β) asym. N(0, I ( β) 1 ). Computer Software berechnet für ML Schätzung direkt Varianz Covarianz Matrix V ( β). Somit können statistische Inferenz und Hypothesentests mit üblichen Techniken durchgeführt werden. Ökonometrie 2 (SS 2007) 23 / 31
24 Goodness of fit Statistische Inferenz Repräsentiere L UR die Likelihood für das unrestringierte Problem. Repräsentiere L R die Likelihood für das restringierte Problem, das nur mit Konstante geschätzt wurde. Zwei mögliche Formulierungen für Maße: Cragg Uhler pseudo R 2 = L2/n UR L2/n R 1 L 2/n R McFadden pseudo R 2 = 1 ln L UR ln L R. Ein alternatives Maß: Anteil der korrekten Vorhersagen P i = P(y i = 1 x i ), also z. B. für Probit: P i = Φ(x i β)., Ökonometrie 2 (SS 2007) 24 / 31
25 Goodness of fit Statistische Inferenz Nutze dann ỹ i = 1I{ P i > 0.5}. Der Anteil der korrekten Vorhersagen kann dann definiert werden als P = 1 n 1I{y i = ỹ i }. n i=1 In vielen Statistik Programmen sieht man Kreuztabellen vorhergesagter und beobachteter binärer Werte vorhergesagt beobachtet n 00 n 01 1 n 10 n 11 Solche Maße sollten vermieden werden. Sie sind typischerweise unzuverlässig in praktischen Situationen, da einer der beiden Zustände nur spärlich in den Daten repräsentiert wird. Ökonometrie 2 (SS 2007) 25 / 31
26 Statistische Inferenz Signifikanztest L UR Likelihood für das unrestringierte Problem. L R Likelihood für das restringierte Problem. r Anzahl der Restriktionen. Dann: 2 ln(l R /L UR ) = 2(ln L UR ln L R ) χ 2 r. Beispiel: H 0 : β 2 = β 3 = = β k = 0 H A : wenigstens ein β j 0, j = 2,..., k. Ökonometrie 2 (SS 2007) 26 / 31
27 Simulierte Übergänge mit binären Auswahlmodellen Betrachte y i = x i β + u i. Wechsel von x i zu x R i x i. Das verändert natürlich die latente Variable von y i zu y R i = (x R i ) β + u i. Wie verändert das die Wahrscheinlichkeiten P i(j k) des Übergangs von Zustand j in den Zustand k, (j, k = 0, 1)? Wir benötigen also Wahrscheinlichkeiten P i(0 1) = P(y R i > 0.5 y i < 0.5). Ökonometrie 2 (SS 2007) 27 / 31
28 Simulierte Übergänge mit binären Auswahlmodellen Beschreiben ˆp i0 B und ˆpB i1 die vorhergesagten Wahrscheinlichkeiten für den Zustand y = 0 bzw. y = 1 für das i te Individuum bevor x i zu xi R x i wechselt und ˆp i0 R sowie ˆpR i1 entsprechend danach. Die korrekten Übergangswahrscheinlichkeiten sind dann: P i(0 0) = min{ˆp B i0, ˆp R i0} P i(0 1) = 1I{ˆp B i0 > ˆp R i0} (ˆp B i0 ˆp R i0) P i(1 0) = 1I{ˆp B i0 < ˆp R i0} (ˆp R i0 ˆp B i0) P i(1 1) = min{ˆp B i1, ˆp R i1} Mit anderen Worten: man muss nur die zwei Zustandswahrscheinlichkeiten subtrahieren, um ein korrektes Maß der Übergangswahrscheinlichkeit zu erhalten. Ökonometrie 2 (SS 2007) 28 / 31
29 Simulierte Übergänge mit binären Auswahlmodellen Ökonometrie 2 (SS 2007) 29 / 31
30 Simulierte Übergänge mit binären Auswahlmodellen Ökonometrie 2 (SS 2007) 30 / 31
31 Simulierte Übergänge mit binären Auswahlmodellen Ökonometrie 2 (SS 2007) 31 / 31
Seminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrEmpirische Analysen mit dem SOEP
Empirische Analysen mit dem SOEP Methodisches Lineare Regressionsanalyse & Logit/Probit Modelle Kurs im Wintersemester 2007/08 Dipl.-Volksw. Paul Böhm Dipl.-Volksw. Dominik Hanglberger Dipl.-Volksw. Rafael
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,...,
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
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
MehrStatistik II. II. Univariates lineares Regressionsmodell. Martin Huber 1 / 27
Statistik II II. Univariates lineares Regressionsmodell Martin Huber 1 / 27 Übersicht Definitionen (Wooldridge 2.1) Schätzmethode - Kleinste Quadrate Schätzer / Ordinary Least Squares (Wooldridge 2.2)
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrLogistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios
Logistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios PD Dr.Gabriele Doblhammer, Fortgescrittene Methoden, SS2004 Logistische Regression Tabelle 2 Alter und Symptome von Herz-/Kreislauferkrankung(CD)
MehrStatistischer Rückschluss und Testen von Hypothesen
Statistischer Rückschluss und Testen von Hypothesen Statistischer Rückschluss Lerne von der Stichprobe über Verhältnisse in der Grundgesamtheit Grundgesamtheit Statistischer Rückschluss lerne aus Analyse
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrKapitel 8. Einfache Regression. Anpassen des linearen Regressionsmodells, OLS. Eigenschaften der Schätzer für das Modell
Kapitel 8 Einfache Regression Josef Leydold c 2006 Mathematische Methoden VIII Einfache Regression 1 / 21 Lernziele Lineares Regressionsmodell Anpassen des linearen Regressionsmodells, OLS Eigenschaften
MehrÜbung zur Empirischen Wirtschaftsforschung V. Das Lineare Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Christian Peukert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2010
Mehr1. Lösungen zu Kapitel 7
1. Lösungen zu Kapitel 7 Übungsaufgabe 7.1 Um zu testen ob die Störterme ε i eine konstante Varianz haben, sprich die Homogenitätsannahme erfüllt ist, sind der Breusch-Pagan-Test und der White- Test zwei
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
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
MehrAnnahmen des linearen Modells
Annahmen des linearen Modells Annahmen des linearen Modells zusammengefasst A1: Linearer Zusammenhang: y = 0 + 1x 1 + 2x 2 + + kx k A2: Zufallsstichprobe, keine Korrelation zwischen Beobachtungen A3: Erwartungswert
Mehr2.3 Nichtlineare Regressionsfunktion
Nichtlineare Regressionsfunktion Bisher: lineares Regressionsmodell o Steigung d. Regressionsgerade ist konstant o Effekt einer Änderung von X auf Y hängt nicht vom Niveau von X oder von anderen Regressoren
Mehr2.Tutorium Generalisierte Regression
2.Tutorium Generalisierte Regression - Binäre Regression - Moritz Berger: 04.11.2013 und 11.11.2013 Shuai Shao: 06.11.2013 und 13.11.2013 Institut für Statistik, LMU München 1 / 16 Gliederung 1 Erweiterte
MehrAnalyse von Querschnittsdaten. Signifikanztests I Basics
Analyse von Querschnittsdaten Signifikanztests I Basics Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Generalisierung kategoriale Variablen Datum 13.10.2004 20.10.2004 27.10.2004
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
MehrLineare Regression II
Lineare Regression II Varianzanalyse als multiple Regession auf Designvariablen Das lineare Regressionsmodell setzt implizit voraus, dass nicht nur die abhängige, sondern auch die erklärenden Variablen
MehrStatistische Modellierung Merkblatt
Inhaltsverzeichnis Statistische Modellierung Merkblatt Welches Modell nimmt man wann?... 1 Logit:... 2 Probit:... 2 Poisson:...2 Loglinear:... 2 multinomiales Logit:... 2 Ordinales Logit (PROC LOGISTIC
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrZufallsgröße. Würfelwurf mit fairem Würfel. Wahrscheinlichkeitsverteilung einer diskreten
Zufallsgrößen Ergebnisse von Zufallsexperimenten werden als Zahlen dargestellt 0 Einführung Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Hypothesentests
MehrTest auf den Erwartungswert
Test auf den Erwartungswert Wir interessieren uns für den Erwartungswert µ einer metrischen Zufallsgröße. Beispiele: Alter, Einkommen, Körpergröße, Scorewert... Wir können einseitige oder zweiseitige Hypothesen
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
MehrDrittvariablenkontrolle in der linearen Regression: Trivariate Regression
Drittvariablenkontrolle in der linearen Regression: Trivariate Regression 14. Januar 2002 In der Tabellenanalyse wird bei der Drittvariablenkontrolle für jede Ausprägung der Kontrollvariablen eine Partialtabelle
MehrKategoriale abhängige Variablen:
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell Statistik II
MehrBivariate Analyseverfahren
Bivariate Analyseverfahren Bivariate Verfahren beschäftigen sich mit dem Zusammenhang zwischen zwei Variablen Beispiel: Konservatismus/Alter Zusammenhangsmaße beschreiben die Stärke eines Zusammenhangs
MehrEinführung in die Methoden der Empirischen Wirtschaftsforschung
Einführung in die Methoden der Empirischen Wirtschaftsforschung Prof. Dr. Dieter Nautz Einführung in die Methoden der Emp. WF 1 / 37 Übersicht 1 Einführung in die Ökonometrie 1.1 Was ist Ökonometrie? 1.2
MehrStatistische Tests für unbekannte Parameter
Konfidenzintervall Intervall, das den unbekannten Parameter der Verteilung mit vorgegebener Sicherheit überdeckt ('Genauigkeitsaussage' bzw. Zuverlässigkeit einer Punktschätzung) Statistischer Test Ja-Nein-Entscheidung
Mehr4 Statistik der Extremwertverteilungen
In diesem Kapitel beschäftigen wir uns mit statistischen Anwendungen der Extremwerttheorie. Wir werden zwei verschiedene Zugänge zur Modellierung von Extremwerten betrachten. Der erste Zugang basiert auf
Mehr6. Statistische Schätzung von ARIMA Modellen
6. Statistische Schätzung von ARIMA Modellen Vorschau: ARIMA Modelle Modellidentifikation verschiedene Schätzverfahren Modelldiagnostik Fallstudien Zeitreihenanalyse 1 6.1 ARIMA Modelle Bisher: ARMA(p,q)-Modelle:
MehrKap. 9: Regression mit einer binären abhängigen Variablen
Kap. 9: Regression mit einer binären abhängigen Variablen Motivation Lineares Wahrscheinlichkeitsmodell Probit- und Logit-Regression Maximum Likelihood Empirisches Beispiel: Analyse der HMDA-Daten Ausblick:
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrFunktionale Formen. Kapitel 7. Ökonometrie I Michael Hauser
1 / 46 Funktionale Formen Kapitel 7 Ökonometrie I Michael Hauser 2 / 46 Inhalt Änderung von Skalen, Messeinheiten Aggregation über die Zeit Univariate, bivariate, multiple, simultane Regressionsmodelle,
MehrÜber die Autoren 9. Widmung von Roberto 9 Danksagung von Roberto 10. Einleitung 21
Inhaltsverzeichnis Über die Autoren 9 Widmung von Roberto 9 Danksagung von Roberto 10 Einleitung 21 Über dieses Buch 21 Törichte Annahmen über den Leser... 22 Symbole, die in diesem Buch verwendet werden
Mehr6.1 Definition der multivariaten Normalverteilung
Kapitel 6 Die multivariate Normalverteilung Wir hatten die multivariate Normalverteilung bereits in Abschnitt 2.3 kurz eingeführt. Wir werden sie jetzt etwas gründlicher behandeln, da die Schätzung ihrer
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
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
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
MehrInstitut für Soziologie Dipl.-Soz. Benjamin Gedon. Methoden 2. Logistische Regression II
Institut für Soziologie Dipl.-Soz. Methoden 2 Logistische Regression II Bringen Sie zur nächsten Übung und in die Klausur einen (nicht programmierbaren) Taschenrechner mit! # 2 Programm Wiederholung der
MehrAnalyse von Querschnittsdaten. Spezifikation der unabhängigen Variablen
Analyse von Querschnittsdaten Spezifikation der unabhängigen Variablen Warum geht es in den folgenden Sitzungen? Kontinuierliche Variablen Annahmen gegeben? kategoriale Variablen Datum 3.0.004 0.0.004
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrNachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14
Prof. Dr. Rainer Schwabe 08.07.2014 Otto-von-Guericke-Universität Magdeburg Institut für Mathematische Stochastik Nachhol-Klausur - Schätzen und Testen - Wintersemester 2013/14 Name:, Vorname: Matr.-Nr.
MehrDatenanalyse mit Excel und Gretl
Dozent: Christoph Hindermann christoph.hindermann@uni-erfurt.de Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 1 Teil 2: Gretl Datenanalyse mit Excel und Gretl Teil Titel 2: Gretl 2 Modellannahmen
MehrStatistik II Übung 1: Einfache lineare Regression
Statistik II Übung 1: Einfache lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen dem Lohneinkommen von sozial benachteiligten Individuen (16-24 Jahre alt) und der Anzahl der
MehrI. Zahlen, Rechenregeln & Kombinatorik
XIV. Wiederholung Seite 1 I. Zahlen, Rechenregeln & Kombinatorik 1 Zahlentypen 2 Rechenregeln Brüche, Wurzeln & Potenzen, Logarithmen 3 Prozentrechnung 4 Kombinatorik Möglichkeiten, k Elemente anzuordnen
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrSTETIGE VERTEILUNGEN
STETIGE VERTEILUNGEN. Die Näherungsformel von Moivre Laplace Betrachtet man die Binomialverteilungen Bnp für wachsendes n bei konstantem p, so werden die Histogramme einer binomialverteilten Zufallsvariablen
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
Mehr1 Einleitung. 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen?
1 Einleitung 1.1 Was ist Ökonometrie und warum sollte man etwas darüber lernen? Idee der Ökonometrie: Mithilfe von Daten und statistischen Methoden Zusammenhänge zwischen verschiedenen Größen messen. Lehrstuhl
MehrKompaktskript zur Vorlesung Verfahren der Mikroökonometrie
Kompaktskript zur Vorlesung Verfahren der Mikroökonometrie Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Methodenlehre Mathematische und statistische Methoden I Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-06 Dr. Malte Persike persike@uni-mainz.de
MehrLösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Kurze Zusammenfassung der letzten Vorlesung Schätzung und Modellentwicklung Überblick Statistische Signifikanztests
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrÜbungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho
Übungen (HS-2010): Urteilsfehler Autor: Siegfried Macho Inhaltsverzeichnis i Inhaltsverzeichnis 1. Übungen zu Kapitel 2 1 Übungen zu Kontingenz- und Kausalurteile 1 Übung 1-1: 1. Übungen zu Kapitel 2 Gegeben:
Mehr8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.
L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:
MehrWarum ist die Erwerbsneigung ostdeutscher Frauen höher als die westdeutscher Frauen?
Warum ist die Erwerbsneigung ostdeutscher Frauen höher als die westdeutscher Frauen? Beate Grundig ifo Institut für Wirtschaftsforschung, Niederlassung Dresden 5. Nutzerkonferenz Forschung mit dem Mikrozensus
MehrMultinomiale logistische Regression
Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable
MehrBinäre Auswahlmodelle (Logit, Probit,...)
Binäre Auswahlmodelle (Logit, Probit,...) 27. November 204 In diesem Kapitel führen wir eine Klasse von Modellen für binäre Auswahlprobleme ein, deren wichtigste Vertreter das Logit- und das Probit-Modell
MehrBivariate Kreuztabellen
Bivariate Kreuztabellen Kühnel, Krebs 2001 S. 307-342 Gabriele Doblhammer: Empirische Sozialforschung Teil II, SS 2004 1/33 Häufigkeit in Zelle y 1 x 1 Kreuztabellen Randverteilung x 1... x j... x J Σ
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
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
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
MehrStatistische Eigenschaften der OLS-Schätzer, Residuen,
Statistische Eigenschaften der OLS-Schätzer, Residuen, Bestimmtheitsmaß Stichwörter: Interpretation des OLS-Schätzers Momente des OLS-Schätzers Gauss-Markov Theorem Residuen Schätzung von σ 2 Bestimmtheitsmaß
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrMultivariate Statistische Methoden
Multivariate Statistische Methoden und ihre Anwendung in den Wirtschafts- und Sozialwissenschaften Von Prof. Dr. Hans Peter Litz Carl von Ossietzky Universität Oldenburg v..v.-'... ':,. -X V R.Oldenbourg
MehrWiederholung Hypothesentests Zusammenfassung. Hypothesentests. Statistik I. Sommersemester Statistik I Hypothesentests I (1/36)
Statistik I Sommersemester 2009 Statistik I I (1/36) Wiederholung Grenzwertsatz Konfidenzintervalle Logik des 0.0 0.1 0.2 0.3 0.4 4 2 0 2 4 Statistik I I (2/36) Zum Nachlesen Agresti/Finlay: Kapitel 6+7
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
MehrMultivariate Statistische Methoden und ihre Anwendung
Multivariate Statistische Methoden und ihre Anwendung in den Wirtschafts- und Sozialwissenschaften Von Prof. Dr. Hans Peter Litz Carl von Ossietzky Universität Oldenburg R. Oldenbourg Verlag München Wien
MehrKlausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik. 7. Februar 2008
L. Fahrmeir, G. Walter Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 7. Februar 8 Hinweise:. Überprüfen
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
MehrStatistik II Übung 2: Multivariate lineare Regression
Statistik II Übung 2: Multivariate lineare Regression Diese Übung beschäftigt sich mit dem Zusammenhang zwischen Flugpreisen und der Flugdistanz, dem Passagieraufkommen und der Marktkonzentration. Verwenden
MehrKlausur Stochastik und Statistik 31. Juli 2012
Klausur Stochastik und Statistik 31. Juli 2012 Prof. Dr. Matthias Schmid Institut für Statistik, LMU München Wichtig: ˆ Überprüfen Sie, ob Ihr Klausurexemplar vollständig ist. Die Klausur besteht aus fünf
MehrDiagnose und Prognose: Kurzfassung 4
Diagnose und Prognose: Kurzfassung 4 Ziele der 4. Vorlesung Inhaltliche Verbindung zwischen inhaltlicher Statistisches Konzept / Problemstellung Problemstellung und statistischem statistische Methode Konzept/Methode
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 31. Mai 2011 4. Methode der kleinsten Quadrate Geschichte: Von Legendre, Gauß und Laplace zu Beginn des 19. Jahrhunderts eingeführt. Die Methode der
MehrLineare Regression mit einem Regressor: Einführung
Lineare Regression mit einem Regressor: Einführung Quantifizierung des linearen Zusammenhangs von zwei Variablen Beispiel Zusammenhang Klassengröße und Testergebnis o Wie verändern sich Testergebnisse,
MehrHypothesenprüfung. Darüber hinaus existieren zahlreiche andere Testverfahren, die alle auf der gleichen Logik basieren
Hypothesenprüfung Teil der Inferenzstatistik Befaßt sich mit der Frage, wie Hypothesen über eine (in der Regel unbekannte) Grundgesamtheit an einer Stichprobe überprüft werden können Behandelt werden drei
MehrKointegration. Kapitel 19. Angewandte Ökonometrie / Ökonometrie III Michael Hauser
1 / 28 Kointegration Kapitel 19 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 28 Inhalt I(d), Trends, Beispiele Spurious Regression Kointegration, common trends Fehlerkorrektur-Modell Test
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)
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 Hypothesentesten, Fehlerarten und Güte 2 Literatur Kreyszig: Statistische Methoden und ihre Anwendungen, 7.
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrZeitreihenökonometrie
Zeitreihenökonometrie Kapitel 8 Impuls-Antwort-Funktionen Interpretation eines VAR-Prozesses 2 Fall eines bivariaten Var(p)-Prozess mit 2 Variablen und ohne Konstante 1 1 p p 1,t α11 α 12 1,t-1 α11 α 12
MehrMasterprüfung SS 2014
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Masterprüfung SS 2014 Fach: Ökonometrie Prüfer: Prof. Regina T. Riphahn, Ph.D. Name, Vorname Matrikelnummer E-Mail
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrKlausur in Mikroökonometrie Dauer: 90 Minuten
Prof. Regina T. Riphahn, Ph.D. Wintersemester 2003/04 Klausur in Mikroökonometrie Dauer: 90 Minuten Hinweis: Die Punktverteilung der Aufgaben entspricht dem empfohlenen zeitlichen Gewicht bei der Beantwortung.
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
Mehr2. Mathematische Grundlagen
2. Mathematische Grundlagen Erforderliche mathematische Hilfsmittel: Summen und Produkte Exponential- und Logarithmusfunktionen 21 2.1 Endliche Summen und Produkte Betrachte n reelle Zahlen a 1, a 2,...,
Mehr