Kurs Empirische Wirtschaftsforschung
|
|
- Nicolas Huber
- vor 6 Jahren
- Abrufe
Transkript
1 Kurs Empirische Wirtschaftsforschung 5. Bivariates Regressionsmodell 1 Martin Halla Institut für Volkswirtschaftslehre Johannes Kepler Universität Linz 1 Lehrbuch: Bauer/Fertig/Schmidt (2009), Empirische Wirtschaftsforschung: Eine Einführung. Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
2 Das bivariate lineare Regressionsmodell I Annahmen: Es besteht ein linearer Zusammenhang zwischen den beobachtbaren Variablen X und Y. X wirkt auf Y und nicht umgekehrt. Dieser Zusammenhang sei nicht perfekt, d.h. es existieren noch weitere unbeobachtbare Einflussfaktoren, die keinen systematischen Einfluss auf Y haben. Diese Faktoren werden in der Zufallsvariable ε zusammengefasst. Ökonomisches Modell: Y = β 0 + β 1 X + ε (1) Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
3 Das bivariate lineare Regressionsmodell II Wir haben nun für alle Variablen N Beobachtungen aus einer Zufallsstichprobe. Ökonometrisches (stochastisches) Modell: Y i = β 0 + β 1 X i + ε i (i = 1,..., N). (2) X... erklärende oder exogene Variable Y... zu erklärende, abhängige oder auch endogene Variable ε: Störterm/Störgröße des linearen Regressionsmodells Die zu schätzenden Koeffizienten: β 0... Ordinatenabschnitt der Regressionsgerade β 1... Steigungsparameter der Regressionsgerade Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
4 Das bivariate lineare Regressionsmodell III Löst man (3) nach dem Störterm auf folgt: ε i = Y i (β 0 + β 1 X i ) (i = 1,..., N). (3) Y i eine Zufallsvariable ist, da ε i eine Zufallsvariablen ist. Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
5 Das bivariate lineare Regressionsmodell IV P (Y X) r Y Wahrscheinlichkeitsverteilung von Y gegen X α + β X Abbildung: Der Zusammenhang zwischen Y und X im bivariaten linearen Regressionsmodell X Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
6 Das lineare Regressionsmodell als Identifikationsstrategie Die kontrafaktische Frage, die dem (ökonomischen) Modell zugrunde liegt: Wie hoch wäre der Wert von Y i gewesen, wenn X i (ceteris paribus) einen anderen Wert angenommen hätte, d.h. zum Beispiel doppelt so hoch oder halb so hoch gewesen wäre? Da für jede Beobachtungseinheit i nur ein Beobachtungspaar (Y i, X i ) zur Verfügung steht, ist die durch die kontrafaktische Frage implizierte Situation nicht beobachtbar. Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
7 Identifikationsannahmen Im bivariaten Regressionsmodell werden folgende Identifikationsannahmen getroffen: Zwischen der erklärenden Variable X und der abhängigen Variable Y existiert ein linearer Zusammenhang, wobei X auf Y wirkt und nicht umgekehrt. Dieser Zusammenhang gilt nicht nur für alle Beobachtungspaare, sondern auch für Zellen, für die keine Beobachtungen vorliegen. Als Kontrollgruppe für ein Beobachtungspaar dienen alle anderen Beobachtungspaare. Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
8 Identifikationsannahmen Example (Golf-Handicap und Aktienkurs) Studie von Anlageexperten Graef Crystal: Zusammenhang zwischen Aktienkurs und Golfhandicap des jeweiligen Vorstands. Daten zu Handicaps aus Zeitschrift Golf Digest. Index für Aktien, Werte zwischen 100 (erfolgreichste Aktien) und 0 (am wenigsten erfolgreichste Aktie). Siehe Abbildung 5.2. Hypothese: Unternehmen von Managern mit einem sehr niedrigem Handicap (also gute Golfer) sind erfolgreicher. Für jeden Manager steht jedoch nur eine Beobachtungspaar zur Verfügung. Man kann Durchschnittswerte über alle Manager verwenden. Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
9 Zu schätzende Koeffizienten des Modells Die unbekannten Populationsparameter β 0 und β 1 sind unbekannt und werden geschätzt: Ordinatenabschnitt β 0 Gibt an, wie groß Y i wäre, wenn X i = 0 wäre. Steigungsparameter β 1 Gibt den Einfluss einer marginalen Veränderung der Variable X auf die Variable Y an, d.h. Y / X = β 1. Für die Schätzung der Parameter existieren mehrere Schätzmethoden, die sich durch ihre Optimierungsziele unterscheiden. Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
10 Methode der kleinsten Quadrate (Ordinary Least Squares) Optimierungsziel: Minimierung der Summe der quadrierten senkrechten Abstände ε i der Beobachtungspaare (Y i, X i ) von der Gerade. Diese Abstände nennt man Residuen: Optimierungskalkül: ˆε i = Y i Ŷ i = Y i ˆβ 0 ˆβ 1 X i (4) N ˆε 2 i = [Y i ( ˆβ 0 + ˆβ 1 X i )] 2 Min! (5) i=1 ˆβ 0 und ˆβ 1 : Schätzer (Stichprobenwerte) der tatsächlichen, aber unbekannten Parameter β 0 und β 1 ˆε i : Stichprobenwerte der unbekannten Störgröße ε Ŷ i : vorhergesagter (prognostizierter) Wert des Modells für Y i Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
11 Methode der kleinsten Quadrate I Y α + β X = Y β e e α X Abbildung: Das Optimierungsprinzip der Methode der kleinsten Quadrate Minimierung der quadrierten Residuen ˆε i Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
12 Methode der kleinsten Quadrate II Durch partielles Differenzieren und Nullsetzen der Ableitungen erhält man ein System von Normalgleichungen: N i=1 ˆε2 i ˆβ 0 N = 2 (Y i ˆβ 0 ˆβ 1 X i ) = 0 (6) i=1 N i=1 ˆε2 i ˆβ 1 N = 2 (Y i ˆβ 0 ˆβ 1 X i )X i = 0 (7) i=1 Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
13 Methode der kleinsten Quadrate III Durch Umformung der Normalgleichungen ergeben sich die Schätzformeln für ˆβ 0 und ˆβ 1 : ˆβ 0 = Y ˆβ 1 X (8) und mit ˆβ 1 = YX Y X X 2 X 2 (9) Y = 1 N N Y i, X = 1 N i=1 N X i, YX = 1 N i=1 N Y i X i, X 2 = 1 N i=1 N i=1 X 2 i. Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
14 Methode der kleinsten Quadrate IV Für ˆβ 1 gibt es verschiedene alternative Möglichkeiten der Darstellung, z B.: ˆβ 1 = N i=1 (Y i Y )(X i X ) N i=1 (X i X ) 2 (10) und ˆβ 1 = ˆσ XY ˆσ 2 X (11) ˆβ 1 kann nur berechnet werden, wenn die erklärende Variable X eine Variation aufweist: N i=1 (X i X ) 2 = ˆσ 2 X 0. Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
15 Methode der kleinsten Quadrate V Example (Golf-Handicap und Aktienkurs, Fortsetzung) Aktienkurs S, Handicap H Es ergeben sich folgende Mittelwerte: S = 52, 47, H = 15, 38, S H = 800, 59 und H 2 = 272, 32 Die Schätzgleichung lautet S = β 0 + β 1 H + ε Die OLS-Schätzer für die Parameter β 0 und β 1 ergeben sich dann als: ˆβ 1 = S H S H 800, 59 52, 47 15, 38 H 2 H 2 = 272, 32 15, 38 2 = 0, 179 ˆβ 0 = S ˆβ 1 H = 52, , , 38 = 55, 22 Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
16 Methode der kleinsten Quadrate VI Example (Umkehrung der Kausalrichtung) Bivariates linearen Regressionsmodell: Y = β 0 + β 1 X + ε Umgedrehte Kausalrichtung: X = γ 0 + γ 1 Y + η. Die resultierenden Schätzer ˆβ 1 und ˆγ 1 lauten: ˆβ 1 = ˆσ XY ˆσ 2 X und ˆγ 1 = ˆσ XY ˆσ 2 Y Unterschied ist jeweilige Normierung der geschätzten Kovarianz. Der Korrelationskoeffizient ˆσ X Y ˆσ Y ˆσ X ist vollkommen unabhängig von einer Annahme über die Kausalrichtung. Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
17 Klassische Annahmen Da ε eine Zufallsvariable ist und jede (lineare) Funktion einer Zufallsvariablen ebenfalls eine Zufallsvariable ist, ist Y also auch eine Zufallsvariable, da Y eine lineare Funktion von ε ist. Da ˆβ 0 und ˆβ 1 lineare Funktionen von Y sind, sind dann auch ˆβ 0 und ˆβ 1 Zufallsvariabeln, mit einem Erwartungswert und einer Varianz. Wir klären nun die Annahmen die nötig sind um diese beiden Größen von Intersse ableiten zu können. Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
18 Klassische Annahmen 1 Die Beziehung zwischen X und Y ist linear, wobei X auf Y wirkt und nicht umgekehrt. 2 Die X i sind nicht stochastisch. 3 Der Erwartungswert des Störterms ε ist Null, d.h. E(ε i ) = 0 i. (Nicht restriktiv; könnte auch E(ε i ) = k lauten) 4 Homoskedastizitätsannahme: Der Störterm ε i hat eine konstante Varianz für alle Beobachtungen, d.h. Var(ε i ) = σ 2 i. 5 Die Störterme sind unkorreliert, d.h. Cov(ε i, ε j ) = 0 i j. 6 Die Störterme sind i.i.d. normalverteilt. (Für statistische Tests notwendig.) Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
19 Klassische Annahmen Y α+ β X X Abbildung: Heteroskedastizität - Die Varianz des Störterms steigt mit X i Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
20 Konsequenzen für das Regressionsmodell Aufgrund von den Annahmen (2) und (3) ist X i nicht stochastisch und ε i hat einen Erwartungswert von Null. Daraus folgte der Erwartungswert von Y E(Y i ) = E(β 0 + β 1 X i + ε i ) = β 0 + β 1 X i, (12) Annahme (4) überträgt sich auf die Varianz der abhängigen Variable: Var(Y i ) = E [(Y i E(Y i )) 2] [ = E (β 0 + β 1 X i + ε i β 0 β 1 X i ) 2] (13) = E(ε 2 i ) = σ 2 σ 2 benötigen wir um die Varianz der Schätzer zu ermittlen Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
21 Eigenschaften der Schätzer: Die Varianz der Schätzer um diese Erwartungswerte herum, also ihre Varianz, ist durch ( σ Var( ˆβ 2 ) N i=1 0 ) = X i 2 N N i=1 (X (14) i X ) 2 und ( ) Var( ˆβ σ 2 1 ) = N i=1 (X. (15) i X ) 2 gegeben. σ 2 ist jedoch unbekannt Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
22 Eigenschaften der Schätzer Es kann gezeigt werden, dass ˆσ 2 = N i=1 e2 i N 2 (16) einen unverzerrten Schätzer für σ 2 darstellt. Damit kann der sogenannte Standardfehler der Schätzer anhand der Gleichungen ˆσ ˆβ 0 = ( ˆσ 2 N i=1 X 2 i N N i=1 (X i X ) 2 ) 1 2 (17) und ˆσ ˆβ1 = ( ) ˆσ N i=1 (X i X ) 2 (18) berechnet werden. Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
23 Eigenschaften der Schätzer Unter den Annahmen (1) bis (3) sind die OLS-Schätzer ˆβ 0 und ˆβ 1 erwartungstreu, d.h. E( ˆβ 0 ) = β 0 und E( ˆβ 1 ) = β 1. Bei Gültigkeit der Annahmen (1) bis (5) ist der OLS-Schätzer der effizienteste Schätzer aus der Klasse der unverzerrten linearen Schätzer. Dies ist das sogenannte Gauss-Markov-Theorem. Der OLS-Schätzer weißt die sogenannte BLUE-Eigenschaft auf. BLUE steht für Best Linear Unbiased Estimator. Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
24 Eigenschaften der Schätzer Wegen gemäß Annahme (6) gilt, dass ε i N(0, σ 2 ), dann folgt Y i N(µ, σ 2 ) mit µ = β 0 + β 1 X i, (19) da und jede lineare Funktion einer normalverteilten Zufallsvariable wiederum normalverteilt ist. ˆβ 1 ist ein linearer Schätzer, da er eine lineare Funktion (ein gewichtetes Mittel) von Y i darstellt. Wenn gemäß Annahme (6) ε i und deshalb auch Y i normalverteilt ist, dann ist folglich auch ˆβ 1 normalverteilt, da ˆβ 1 eine lineare Funktion von Y i darstellt. Es gilt ˆβ 1 N(β 1, σ 2 / N (X i X ) 2 ). (20) i=1 Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
25 Test auf statistische Signifikanz Kernbotschaften Beim zweiseitigen t-test wird die Nullhypothese H 0 : β = z gegen die Alternativhypothese H 1 : β z getestet. Dabei geht man wie folgt vor: 1 Man berechnet die t-statistik: t = ˆβ z 2 Man gibt sich eine Irrtumswahrscheinlichkeit vor (üblich sind 5% und 1%) und bestimmt aus geeigneten Tabellen den kritischen t-wert t mit N (K + 1) Freiheitsgraden. 3 Die Nullhypothese kann abgelehnt werden, wenn t > t. In diesem Fall bezeichnet man den Koeffizienten ˆβ als statistisch signifikant (von Null verschieden). ˆσ ˆβ Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
26 Die Güte des Regressionsmodells I Bestimmtheitsmaß oder R 2 : Anteil der durch das Modell erklärten Variation an der gesamten Variation in Y. Dekomposition: (Y i Y ) = (Y i Ŷ i ) + (Ŷ i Y ) (21) Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
27 Die Güte des Regressionsmodells II Quadriert man die in Gleichung (21) enthaltenen Terme und summiert man über alle Beobachtungen auf ergibt sich: N (Y i Y ) 2 = i=1 } {{ } TSS N N (Y i Ŷ i ) 2 + (Ŷ i Y ) 2 i=1 } {{ } ESS i=1 } {{ } RSS (22) TSS (total sum of squares): Die gesamte Variation in der abhängigen Variable Y. RSS (regression sum of squares): Die vom Modell erklärte Variation in Y. ESS (error sum of squares): Die verbleibende, nicht vom Modell erklärte, Variationin Y. Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
28 Die Güte des Regressionsmodells III Aus Gleichung (25) ergibt sich Das Bestimmtheitsmaß R 2 ist definiert als 1 = ESS TSS + RSS TSS. (23) R 2 = RSS TSS = 1 ESS TSS. (24) Das Bestimmtheitsmaß ist der Anteil der vom Modell erklärten Variation an der gesamten Variation in Y Da RSS TSS gilt folgt 0 R 2 1. Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
29 Die Güte des Regressionsmodells IV. reg wage school Source SS df MS Number of obs = F( 1, 9025) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = wage Coef. Std. Err. t P> t [95% Conf. Interval] school _cons R 2 = RSS TSS = = R 2 = 1 ESS TSS = = Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
30 Die Güte des Regressionsmodells VI Probleme: Unterschiedliche Höhe des R 2 in Zeitreihen und Querschnittsstudien. Die Hinzunahme eines weiteren Regressors führt nie dazu, dass R 2 sinkt. RSS kann dadurch nicht kleiner werden. Jedoch kann ESS zumindest geringfügig sinken. Martin Halla (JKU) KS Empirische Wirtschaftsforschung / 30
Kapitel 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
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
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
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)
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,
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
MehrSchätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrLineare Modelle in R: Klassische lineare Regression
Lineare Modelle in R: Klassische lineare Regression Achim Zeileis 2009-02-20 1 Das Modell Das klassische lineare Regressionsmodell versucht den Zusammenhang zwischen einer abhängigen Variablen (oder Responsevariablen)
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
MehrÖkonometrische Methoden III: Die lineare Regression
Ökonometrische Methoden III: Die lineare Regression Vorlesung an der Ruprecht-Karls-Universität Heidelberg WS 006/007 Prof. Dr. Lars P. Feld Ruprecht-Karls-Universität Heidelberg, Universität St. Gallen
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
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
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
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
MehrBivariate Zusammenhänge
Bivariate Zusammenhänge 40 60 80 Bivariater Zusammenhang: Zusammenhang zwischen zwei Variablen weight (kg) Gibt es einen Zusammenhang zwischen Größe & Gewicht? (am Beispieldatensatz) Offensichtlich positiver
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
MehrNachschreibklausur im Anschluss an das SS 2009
Nachschreibklausur im Anschluss an das SS 2009 08. Oktober 2009 Lehrstuhl: Prüfungsfach: Prüfer: Hilfsmittel: Klausurdauer: Wirtschaftspolitik Empirische Wirtschaftsforschung Prof. Dr. K. Kraft Nicht-programmierbarer
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
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
MehrFormelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade
Version 2015 Formelsammlung für das Modul Statistik 2 Bachelor Sven Garbade Prof. Dr. phil. Dipl.-Psych. Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
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
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
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
MehrBachelorprüfung SS MUSTERLÖSUNG
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung SS 2015
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
Mehr1. Lösungen zu Kapitel 8
1. Lösungen zu Kapitel 8 Übungsaufgabe 8.1 a) Falsch! Die Nichtberücksichtigung von unwichtigen Variablen für die Identifikation kausaler Effekte stellt kein Problem dar, sofern diese Variablen keinen
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
MehrBachelorprüfung WS 2012/13
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung WS 2012/13
MehrDemokurs. Modul Vertiefung der Wirtschaftsmathematik Vertiefung der Statistik
Demokurs Modul 3741 Vertiefung der Wirtschaftsmathematik und Statistik Kurs 41 Vertiefung der Statistik 15. Juli 010 Seite: 14 KAPITEL 4. ZUSAMMENHANGSANALYSE gegeben, wobei die Stichproben(ko)varianzen
MehrBachelorprüfung SS 2015
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung SS 205
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrMikro-Ökonometrie: Small Sample Inferenz mit OLS
Mikro-Ökonometrie: Small Sample Inferenz mit OLS 1. November 014 Mikro-Ökonometrie: Small Sample Inferenz mit OLS Folie Zusammenfassung wichtiger Ergebnisse des letzten Kapitels (I) Unter den ersten vier
MehrÜbungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
MehrP[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)
Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,
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
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.
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Wiederholung: Verteilungen Noémie Becker & Dirk Metzler 31. Mai 2016 Inhaltsverzeichnis 1 Binomialverteilung 1 2 Normalverteilung 2 3 T-Verteilung
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen
Wahrscheinlichkeitsrechnung und Statistik für Biologen Spezielle Verteilungen Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 7. Juni 2013 1 Binomialverteilung 2 Normalverteilung 3 T-Verteilung
Mehr2. Statische lineare Panelmodelle
2. Statische lineare Panelmodelle 2.1 Fixed effects Schätzung Eine gegenüber der first-differenced OLS-Schätzung oft vorteilhaftere Vorgehensweise zur Beseitigung der fixen Effekte α i in linearen fixed
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrBachelorprüfung SS MUSTERLÖSUNG
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung SS 2016
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
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
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
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
MehrVorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik. Regression. Einfache lineare Regression
Vorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik Regression Dozent: Fabian Scheipl Material: H. Küchenhoff LMU München 39 Einfache lineare Regression Bestimmung der Regressionsgerade
MehrEmpirical Banking and Finance
Empirical Banking and Finance Vorlesung zur Volkswirtschaftspolitik Prof. Dr. Isabel Schnabel Lehrstuhl für Volkswirtschaftslehre, insb. Financial Economics Johannes Gutenberg-Universität Mainz Wintersemester
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
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
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
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief. Statistik II
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Wiederholung Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte
MehrWieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik
Wieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik Axel Werwatz und Jens Kolbe Econ Boot Camp 2013 SFB 649 Ökonomisches Risiko Immo ist wichtig 2 Economist, 2002 Krise, 2008 Immo
MehrWieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik
Wieviel ist (m)ein Haus wert? - Immobilienbewertung mit Hilfe der Statistik Axel Werwatz und Martin Wersing Econ Boot Camp 2010 SFB 649 Ökonomisches Risiko Gute Vorsätze: Herz & Kopf & Hand Lernziel: Immotheorie
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
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
MehrSchätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief
Schätzverfahren, Annahmen und ihre Verletzungen, Standardfehler. Oder: was schiefgehen kann, geht schief Statistik II Literatur Kategoriale Unabhängige, Interaktion, nicht-lineare Effekte : Schätzung Statistik
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
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
MehrVergleich von Gruppen I
Vergleich von Gruppen I t-test und einfache Varianzanalyse (One Way ANOVA) Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Der unverbundene t-test mit homogener Varianz Beispiel Modell Teststatistik
MehrEine Einführung in R: Das Lineare Modell
Eine Einführung in R: Das Lineare Modell Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2009 Bernd Klaus, Verena Zuber
MehrBachelorprüfung WS 2012/13 - MUSTERLÖSUNG
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Bachelorprüfung WS 2012/13 - MUSTERLÖSUNG Fach: Praxis der empirischen Wirtschaftsforschung Prüfer: Prof. Regina
MehrMathematische und statistische Methoden II
Statistik & Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte
MehrSchriftliche Prüfung (90 Minuten)
Dr. M. Kalisch Probeprüfung Statistik 1 Sommer 2014 Schriftliche Prüfung (90 Minuten) Bemerkungen: Alle schriftlichen Hilfsmittel und ein Taschenrechner sind erlaubt. Mobiltelefone sind auszuschalten!
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
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
MehrSBWL Tourismusanalyse und Freizeitmarketing
Inhalt 3. Multiples Regressionsmodell 3.1. Das klassische lineare Regressionsmodell 3.2 Regressions- und lineares Modell 3.3. Die Standardannahmen im klassischen linearen Regressionsmodell 3.4 Kleinste
MehrEinfache Varianzanalyse für unabhängige Stichproben
Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,
MehrAngewandte Ökonometrie Übung. Endogenität, VAR, Stationarität und Fehlerkorrekturmodell
Angewandte Ökonometrie Übung 3 Endogenität, VAR, Stationarität und Fehlerkorrekturmodell Zeitreihenmodelle Zeitreihenmodelle Endogenität Instrumentvariablenschätzung Schätzung eines VARs Tests auf Anzahl
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrBivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.154
Bivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.154 Grundidee und Typen der Regression Die Regressionsanalyse dient zur Quantifizierung des Zusammenhangs und der statistisch
Mehr1. Grundlagen linearer Panelmodelle
1. Grundlagen linearer Panelmodelle 1.1 Aggregierte (gepoolte) Querschnittsdaten Viele Befragungen von Personen, Haushalten oder Unternehmen werden regelmäßig wiederholt. Beispiele sind die jährliche Current
MehrEmpirical Banking and Finance
Empirical Banking and Finance Vorlesung zur Volkswirtschaftspolitik Prof. Dr. Isabel Schnabel Lehrstuhl für Volkswirtschaftslehre, insb. Financial Economics Johannes Gutenberg-Universität Mainz Wintersemester
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrAllgemeines zu Tests. Statistische Hypothesentests
Statistische Hypothesentests Allgemeines zu Tests Allgemeines Tests in normalverteilten Grundgesamtheiten Asymptotische Tests Statistischer Test: Verfahren Entscheidungsregel), mit dem auf Basis einer
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
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
MehrEine Einführung in R: Varianzanalyse
Eine Einführung in R: Varianzanalyse Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig 6. Januar 2011 Bernd Klaus, Verena Zuber Das
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrÖkonometrie. Hans Schneeweiß. 3., durchgesehene Auflage. Physica-Verlag Würzburg-Wien 1978 ISBN
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Hans Schneeweiß Ökonometrie 3., durchgesehene Auflage Physica-Verlag
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
MehrLineare Regression Blockpraktikum zur Statistik mit R 28. März 2012 Sören Gröttrup Institut für Mathematische Statistik Universität Münster SS 2012
Lineare Regression Blockpraktikum zur Statistik mit R 28. März 2012 Sören Gröttrup Institut für Mathematische Statistik Universität Münster SS 2012 Beispiel: Ausgangsfrage Ziel: Wie wirkt sich die eingesetzte
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
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
Mehr1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt:
Beispiele zum Üben und Wiederholen zu Wirtschaftsstatistik 2 (Kurs 3) 1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt: Haushaltseinkommen 12 24 30 40 80 60
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
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,
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
MehrSozialwissenschaftliche Fakultät der Universität Göttingen. Sommersemester Statistik mit SPSS
Sommersemester 2009 Statistik mit SPSS 15. Mai 2009 15. Mai 2009 Statistik Dozentin: mit Esther SPSSOchoa Fernández 1 Überblick 1. Korrelation vs. Regression 2. Ziele der Regressionsanalyse 3. Syntax für
MehrEinführung in Panel-Verfahren
Einführung in Panel-Verfahren Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Drei Arten von Datensätzen Cross-Section
MehrJost Reinecke. 7. Juni 2005
Universität Bielefeld 7. Juni 2005 Testtheorie Test für unabhängige Stichproben Test für abhängige Stichproben Testtheorie Die Testtheorie beinhaltet eine Reihe von Testverfahren, die sich mit der Überprüfung
MehrInhalt. I. Deskriptive Statistik Einführung Die Grundgesamtheit Merkmale und Verteilungen Tabellen und Grafiken...
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Die Grundgesamtheit......................... 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................ 10
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
MehrKapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests
Kapitel 10 Mittelwert-Tests 10.1 Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests 10.1 Einstichproben- Mittelwert-Tests 10.1.1 Einstichproben- Gauß-Test Dichtefunktion der Standard-Normalverteilung
MehrMikro-Ökonometrie: OLS-Schätzung. 1. Methode der kleinsten Quadrate aus geometrischer/algebraischer Sicht
Mikro-Ökonometrie: OLS-Schätzung 23. Oktober 204 Inhalt:. OLS aus geometrischer/algebraischer Sicht; Exogenität (als Orthogonalität) 2. Bestimmtheitsmaß R 2 3. Erwartungswert der OLS-Schätzung (Erwartungstreue
Mehr