Kurs 9.3: Forschungsmethoden II
|
|
- Katarina Böhler
- vor 5 Jahren
- Abrufe
Transkript
1 MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 07: Fehlerkorrekturmodell / Kointegration Dezember 2014 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Einführung 4 Variante "Vernachlässigen" (=> Spurious Regression) 7 Variante "Differenzieren" 8 Kointegrationstest 16
2 Folie 3 Inhaltsverzeichnis Einführung 4 Massnahmen bei nichtstationären Zeitreihen... 4 Ausführliches Beispiel... 5 Zusammenhang zwischen gesamtwirtschaftlichem Konsum und Einkommen... 5 Stationarität... 6 Variante "Vernachlässigen" (=> Spurious Regression) 7 Regression der logarithmierten Zeitreihen... 7 Variante "Differenzieren" 8 Regression der differenzierten, logarithmierten Zeitreihen... 8 Interpretation der Resultate von Modell Erweiterung des Modells Interpretation der Erweiterung Berechnung mit EViews Korrektur der autokorrelierten Fehler Stationarität Kointegration Eigenschaften der Abweichung Kointegrationstest 16 Kointegrationstest in EViews (nach Johansen) Kointegrationstest von CONSPR_LOG und YDISPR_LOG Kointegrationstest mit Random Walk mit Drift Einführung Folie 4 Massnahmen bei nichtstationären Zeitreihen Vernachlässigen Problem der Scheinkorrelation ("Spurious Regression"): Modell mit hoher Güte aber ohne inhaltliche Bedeutung. Führt zu verzerrten Schätzungen (t-tests und Konfidenzintervalle) Differenzbildung Differenzstationäre Zeitreihen werden durch Differenzbildung zwar stationär. Wegen der Differenzbildung werden aber nur kurzfristige Änderungen beschrieben. Information über das Verhalten des Prozesses im Gleichgewicht bleibt unberücksichtigt. Fehlerkorrektur-Modelle Voraussetzung: Variablen sind kointegriert. Kointegration (saloppe Beschreibung): Variablen sind einzeln nichtstationär. Es gibt aber eine stationäre Linearkombination (Gleichgewichtsbeziehung).
3 Ausführliches Beispiel Zusammenhang zwischen gesamtwirtschaftlichem Konsum und Einkommen Folie 5 log(10 6 CHF) YDISPR_LOG CONSPR_LOG Logarithmierte Zeitreihen (<=> Schiefe Verteilung) Real verfügbares Einkommen der Haushalte (YDISPR_LOG) Gesamtwirtschaftlicher realer Konsum (CONSPR_LOG) Quartalsdaten von 1970 bis Quelle: (November 2014) Stationarität Die beiden Zeitreihen zum Einkommen und Konsum sind nichtstationär. => Differenzieren der (logarithmierten) Zeitreihen mit Lag 4 (<=> Quartalsdaten) series YDISPR_LOGD4 = LOG(YDISPR) - LOG(YDISPR (-4)) series CONSPR_LOGD4 = LOG(CONSPR) - LOG(CONSPR(-4)) => Differenzierte Zeitreihen sind stationär (Augmented Dickey-Fuller) Folie YDISPR_LOGD4 CONSPR_LOGD4
4 Variante "Vernachlässigen" (=> Spurious Regression) Folie 7 Regression der logarithmierten Zeitreihen Konsum_log = α + β Einkommen_log (Modell 1) (CONSPR_LOG = C + YDISPR_LOG) Geschätzte Gleichung: Konsum_log = Einkommen_log Das Modell ist hoch signifikant. Die Resultate sind aber nicht sinnvoll interpretierbar. Das Ergebnis wird durch den gemeinsamen Trend der beiden Zeitreihen verursacht. Variante "Differenzieren" Folie 8 Regression der differenzierten, logarithmierten Zeitreihen Konsum_log = α + β Einkommen_log (Modell 2) (CONSPR_LOGD4 = C + YDISPR_LOGD4) Geschätzte Gleichung: Konsum_log = Einkommen_log DW ist mit 1.49 signifikant verschieden von 2. Es gibt ein Problem mit autokorelierten Fehlern.
5 Interpretation der Resultate von Modell 2 Folie 9 Konsum_log = Einkommen_log Konstante α = Bei konstantem Einkommen nimmt der Konsum um 0.64% gegenüber dem Vorjahresquartal zu. Einkommenselastizität β = 0.55 Erhöht sich das Einkommen um 1%, nimmt der Konsum um % zu. Die Ergebnisse geben die kurzfristige Trägheit der Konsumnachfrage wieder: Die Konsumnachfrage hat einen konstanten Trend (α). Die Reaktion auf kurzfristige Änderungen des Einkommens (β) ist eher schwach. Bei kurzfristig stagnierendem Einkommen nimmt der Konsum wegen des konstanten Trends zu. Wenn das Einkommen über längere Zeit stagniert, kann das Modell eine in der Realität gemessene Konsumzunahme von fast 1.5% gegenüber dem Vorjahresquartal aber nicht wiedergeben. Fazit: Mit diesem Modell wird die langfristige Entwicklung nicht abgebildet. Erweiterung des Modells Modell 2 (= Veränderungsrate des Konsums CONSPR_LOGD4) wird erweitert um die Abweichung des Konsums vom langfristigen Normalwert (Modell 1) zum Zeitpunkt t-1. Folie 10 Geschätztes Modell 1 umformen und Differenz bilden ^α + ^β Einkommen_log zurückversetzen ^α + ^β Einkommen_log(-1) Differenz bilden Konsum_log(-1) - ^α - ^β Einkommen_log(-1) ^α + ^β Einkommen_log Konsum_log(-1) - ^α - ^β Einkommen_log(-1) Diese Differenz ist die Abweichung vom langfristigen Normalwert Die Abweichung entspricht dem um eine Zeiteinheit verzögerten Residuum von Modell 1 In Modell 2 ergänzen Konsum_log = α + β Einkommen_log + γ Abweichung (Modell 2a) (CONSPR_LOGD4 = C + YDISPR_LOGD4 + ABWEICHUNG)
6 Interpretation der Erweiterung Folie 11 Konsum_log = α + β Einkommen_log + γ Abweichung Annahme: Der Parameter γ hat einen negativen Wert: Wenn bei t-1 der Konsum unter dem langfristigen Normalwert liegt, wird die Wachstumsrate in der nächsten Periode von γ Abweichung positiv beeinflusst. Wenn bei t-1 der Konsum über dem langfristigen Normalwert liegt, wird die Wachstumsrate in der nächsten Periode von γ Abweichung negativ beeinflusst. Die Eigenschaft, dass die kurzfristige Wachstumsrate durch die Abweichung vom langfristigen Wachstum "korrigiert" wird, führt zum Namen "Fehlerkorrekturmodell" (Nobelpreis 2003) Engle and Granger (1987): Co-Integration and Error Correction: Representation, Estimation, and Testing. Econometrica, Vol. 55, No. 2 (Mar., 1987), pp Die Korrektur sorgt dafür, dass die Beziehung zwischen Konsum und Einkommen langfristig erfüllt bleibt. Der Parameter γ ist ein Mass für die Anpassung der kurzfristigen Wachstumsrate mit der langfristige Beziehung zwischen Konsum und Einkommen. Berechnung mit EViews Folie 12 (Modell 2a) DW ist mit 1.48 signifikant verschieden von 2. Es gibt ein Problem mit autokorelierten Fehlern. Konstante α = Bei unverändertem Einkommen nimmt der Konsum um 0.64% zu. Kurzfristige Einkommenselastizität β = 0.55 Erhöht sich das Einkommen um 1%, nimmt der Konsum um % zu. Langfristige Einkommenselastizität (Fehlerkorrekturparameter) γ = Abweichungen um 1%, des Konsums vom langfristigen Normalwert werden in der nächsten Periode um % korrigiert.
7 Folie 13 Korrektur der autokorrelierten Fehler Das Modell wird ergänzt um einen Term mit Lag 1, um die autokorrelierten Fehler zu korrigieren. Konsum_log = ρ Konsum_log(-1) + α + β Einkommen_log + γ Abweichung (Modell 3) Konstante α = Korrektur der Autokorrelation ρ = 0.26 Kurzfristige Einkommenselastizität β = 0.38 Langfristige Einkommenselastizität (Fehlerkorrekturparameter) γ = Stationarität Sind die Variablen in den Modellen stationär? Folie 14 Modell 2: Konsum_log = α + β Einkommen_log Differenzen sind stationär, aber durch Differenzbildung geht Information verloren Modell 3: Konsum_log = ρ Konsum_log(-1) + α + β Einkommen_log + γ Abweichung Abweichung (-1) ist Linearkombination aus nichtstationären Zeitreihen Allgemein ist eine solche Linearkombination nichtstationär Kointegration Es kann sein, dass eine Linearkombination aus nichtstationären Zeitreihen stationär ist, wenn sich die nicht-stationären Komponenten dieser Variablen gegenseitig neutralisieren. In diesem Fall spricht man von Kointegration.. Ist Abweichung = Konsum_log(-1) - α - β Einkommen_log(-1) stationär? Wenn ja, dann ist die Schätzung des Fehlerkorrekturmodells (2a oder 3) zulässig, weil dann nur stationäre Variablen enthalten sind respektive die Nicht-Stationaritäten sich aufheben.
8 Eigenschaften der Abweichung Folie Ob Stationariät vorliegt, kann auf Grund des Zeitreihenplots nicht eindeutig festgestellt werden. Augmented Dickey-Fuller test statistic: p = => Abweichung nichtstationär. Konsum (CONSPR_LOG) und Einkommen (YDISPR_LOG) sind nicht kointegriert. Das Fehlerkorrekturmodell (2a oder 3) kann nicht problemlos geschätzt werden. Kointegrationstest Folie 16 Kointegrationstest in EViews (nach Johansen) (Variablen CONSPR_LOG und YDISPR_LOG als Gruppe öffnen) Eingabe von zusätzlichen exogenen Variablen Nicht Intercept oder Trend! Eingabe von autoregressiven Termen der abhängigen Variable: Lag von... bis... Hier Von 1 bis 1 (Lag 1) Deterministic trend assumption of the test Die Variante "3) Intercept (no trend) in CE and test VAR" ist default. Die Varianten 1) und 5) sind selten. CE Cointegration Equation VAR Vector Autoregression Model (gemeint sind die Variablen)
9 Folie 17 Kointegrationstest von CONSPR_LOG und YDISPR_LOG 1 Wahl von "Deterministic trend assumption..." For trending series, use case 3 if you believe all trends are stochastic. (!) Autoregressiver Term mit Lag Rank Test Der Johansen-Test beruht allgemein auf einem VAR(p)-Modell und testet schrittweise, ob die Variablen kointegriert sind. Im Gegensatz zum univariaten Fall, bei dem ein Parameter entweder den Wert der Nullhypothese annimmt oder nicht, gibt es bei Matrizen Zwischenformen mit Rang k kleiner K (= Anzahl Gleichungen im VAR(p)-Modell). Die Anzahl der Kointegrationen k ist dann bei jenem k, für das die Nullhypothese H 0 : "Zeitreihen sind nichtstationär und nicht kointegriert" nicht abgelehnt werden kann. Beispiel aus EViews-Help mit * Fälle im Ranktest für zwei Variablen Folie None und At most 1 sind nicht signifikant (haben kein Sternchen *) H 0 : "Zeitreihen sind nichtstationär und nicht kointegriert" kann nicht verworfen werden. Zeitreihen sind nichtstationär und nicht kointegriert. 2. None und At most 1 sind beide signifikant (haben je ein Sternchen *) H 0 : "Zeitreihen sind nichtstationär und nicht kointegriert" kann verworfen werden. Zeitreihen sind stationär aber nicht kointegriert. 3. None ist nicht signifikant und At most 1 ist signifikant (Sternchen * nur bei At most 1) H 0 : "Zeitreihen sind nichtstationär und nicht kointegriert" kann bei At most 1 verworfen werden. Zeitreihen sind kointegriert. Konsum (CONSPR_LOG) und Einkommen (YDISPR_LOG) sind gemäss Kointegrationstest nach Johansen nichtstationär und nicht kointegriert (haben kein Sternchen *). Das Fehlerkorrekturmodell (2a oder 3) kann nicht problemlos geschätzt werden.
10 Folie 19 Kointegrationstest mit Random Walk mit Drift Gegeben zwei Random Walk mit Drift X t = X t-1 + u t u t ~ i.i.d. Y t = Y t-1 + v t v t ~ i.i.d. Eigenschaften der Zeitreihen - sicher nichstationär - sicher ohne deterministischen Trend - sicher nicht kointegriert None und At most 1 sind nicht signifikant (haben kein Sternchen *) Zeitreihen sind nichtstationär und nicht kointegriert. Zusammenfassung Kointegration* Folie 20 Untersuchung langfristiger (Gleichgewichts-)Beziehungen zwischen mehreren nicht-stationären ökonomischen Variablen Grundidee: Es kann eine stabile langfristige Relation (Gleichgewichtsbeziehung) zwischen den ökonomischen Variablen bestehen, die durch die ökonomische Theorie begründbar ist. Sie muss jedoch in den Beobachtungsperioden nicht notwendig erfüllt sein. Wenn die beobachteten Abweichungen von einer vermuteten Gleichgewichtsbeziehung stationär sind, besteht eine Tendenz zu ihrer Rückbildung, die den langfristigen Steady State wieder etabliert. Man bezeichnet die untersuchten Variablen dann als kointegriert. Während gewöhnlich eine Regression nicht-stationärer Variablen das Problem einer "Spurious Regression" nach sich zieht, die einen strengen Zusammenhang zwischen den Variablen nur vortäuscht, lässt sich im Falle kointegrierter Variablen die zwischen ihnen vorhandene Langfristbeziehung ökonometrisch fundiert schätzen und ökonomisch interpretieren. Kointegrierte Variablen enthalten nämlich keine unabhängigen Trends, sondern werden durch gemeinsame stochastische Trends getrieben. Eine Regression von Differenzen der involvierten Variablen, die das Problem einer "Spurious Regression" vermeiden kann, gibt dagegen nur Auskunft über kurzfristige Anpassungsprozesse, nicht jedoch über die Gleichgewichtsbeziehung selbst. *Quelle: (Zugriff: November 2012, Dezember 2014 => nicht verfügbar)
Kointegration. 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
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:
MehrStationariät und Kointegration ökonomischer Zeitreihen Schätzung von Fehlerkorrektur-Modellen
4. Fehlerkorrektur-Modelle Ökonometrie II - Peter Stalder Stationariät und Kointegration ökonomischer Zeitreihen Schätzung von Fehlerkorrektur-Modellen 1. Einleitung Die in einer Regressionsgleichung enthaltenen
MehrZeitreihenanalyse in den Wirtschafts Wissenschaften
Klaus Neusser Zeitreihenanalyse in den Wirtschafts Wissenschaften 2., aktualisierte Auflage STUDIUM VIEWEG+ TEUBNER Abbildungsverzeichnis Tabellenverzeichnis Zeichenerklärung XI XIII XV I Univariate Zeitreihenanalyse
Mehr4.2 Kointegration Konzept der Kointegration langfristiger (Gleichgewichts-) Beziehungen langfristige Relation (Gleichgewichtsbeziehung) Abweichungen
4.2 Kointegration Konzept der Kointegration: Untersuchung langfristiger (Gleichgewichts-) Beziehungen zwischen mehreren nicht-stationären ökonomischen Variablen Grundidee: Es kann eine stabile langfristige
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
MehrVAR- und VEC-Modelle. Kapitel 22. Angewandte Ökonometrie / Ökonometrie III Michael Hauser
1 / 42 VAR- und VEC-Modelle Kapitel 22 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 42 Inhalt VAR-Modelle, vector autoregressions VARX in Standardform und Strukturform VAR: Schätzung in
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
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:
MehrKurs 9.3: Forschungsmethoden II
MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 5: Trends und Unit-Root-Test / ARIMA-Modelle November 214 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Ziele 5 Trend 6 ARIMA-Modell
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 =
MehrStochastische Trends und Unit root-tests
Stochastische Trends und Unit root-tests Stichwörter: Random walk stochastischer Trend unit root Trend-Stationarität Differenz-Stationarität Dickey-Fuller (DF-)Test Augmented Dickey-Fuller (ADF-)Test o1-15.tex/0
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
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
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
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
MehrÜbung 1 für Geld- und Währungstheorie und -politik
Übung 1 für Geld- und Währungstheorie und -politik Zeitreihenanalyse: Geldnachfrage Frauke Dobnik Lehrtstuhl für Volkswirtschaftslehre, insb. Makroökonomie Prof. Dr. Ansgar Belke 25.11.2011 Dobnik (MAKRO)
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
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
Mehr4. Nichtstationarität und Kointegration
4. Nichtstationarität und Kointegration 4.1 Einheitswurzeltests (Unit-Root-Tests) Spurious regression In einer Simulationsstudie haben Granger und Newbold (1974) aus zwei unabhängigen Random Walks (Unit-Root-Prozesse)
MehrFolien zur Vorlesung. Zeitreihenanalyse (Time Series Analysis)
Folien zur Vorlesung Zeitreihenanalyse (Time Series Analysis) Wintersemester 2014/2015 Mittwoch 14.00 15.30 Uhr Hörsaal: J 498 Prof. Dr. Bernd Wilfling Westfälische Wilhelms-Universität Münster Inhalt
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
MehrAktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 2004) Forecasts und Evaluation
Aktienkurs der Wiener Börsekammer (Jänner 1968-Oktober 24) Forecasts und Evaluation 1. Daten...2 2. Dynamische Forecasts...4 2.1 Exponential Smoothing...4 2.1.1 Double Exponential Smoothing...4 2.1.2 Holt-Winters...5
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
MehrMethoden der Zeitreihenanalyse
Winfried Stier Methoden der Zeitreihenanalyse Mit 237 Abbildungen und 6 Tabellen Springer Inhaltsverzeichnis I. Elementare Zeitreihenanalyse 1 1.1. Definitionen, Grundkonzepte, Beispiele 1 1.2. Das traditionelle
MehrJohn Komlos Bernd Süssmuth. Empirische Ökonomie. Eine Einführung in Methoden und Anwendungen. 4y Springer
John Komlos Bernd Süssmuth Empirische Ökonomie Eine Einführung in Methoden und Anwendungen 4y Springer 1 Einführung 1 1.1 Ökonometrie 1 2 Vorüberlegungen und Grundbegriffe 7 2.1 Statistik als Grundlage
Mehr1 Einführung Ökonometrie... 1
Inhalt 1 Einführung... 1 1.1 Ökonometrie... 1 2 Vorüberlegungen und Grundbegriffe... 7 2.1 Statistik als Grundlage der Empirischen Ökonomie... 7 2.2 Abgrenzung und Parallelen zu den Naturwissenschaften...
MehrStochastische Prozesse und Box-Jenkins Technik
Stochastische Prozesse und Box-Jenkins Technik Stichwörter: AR-, MA- und ARMA-Prozeß weißes Rauschen random walk Autokorrelations-Funktion Stationarität Invertierbarkeit Korrelogramm Box-Jenkins Technik
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
MehrIntroduction to Modern Time Series Analysis
Springer Texts in Business and Economics Introduction to Modern Time Series Analysis Bearbeitet von Gebhard Kirchgässner, Jürgen Wolters, Uwe Hassler 1. Auflage 2012. Buch. XII, 319 S. Hardcover ISBN 978
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
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
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
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
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
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.
MehrEmpirische Wirtschaftsforschung und Ökonometrie
Peter Winker Empirische Wirtschaftsforschung und Ökonometrie 2., vollständig überarbeitete Auflage Mit 99 Abbildungen und 13 Tabellen Springer Inhaltsverzeichnis Vorwort V Teill Einleitung 1 Aufgabe und
MehrSE aus Ökonometrische Prognose bei Prof. Dr. Kunst. Prognose der langfristigen Arbeitslosenraten und der kurzfristigen Arbeitslosenzahlen
SE aus Ökonometrische Prognose bei Prof. Dr. Kunst Prognose der langfristigen Arbeitslosenraten und der kurzfristigen Arbeitslosenzahlen Aumayr, Binder Juni 2005 Übersicht Analyse der jährlichen Arbeitslosenraten
MehrEinführung in die Ökonometrie
Einführung in die Ökonometrie Peter Hackl ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Vorwort... 19 1 Einführung...
Mehr7. Stochastische Prozesse und Zeitreihenmodelle
7. Stochastische Prozesse und Zeitreihenmodelle Regelmäßigkeiten in der Entwicklung einer Zeitreihe, um auf zukünftige Entwicklung zu schließen Verwendung zu Prognosezwecken Univariate Zeitreihenanalyse
Mehr3. Einführung in die Zeitreihenanalyse
3. Einführung in die Zeitreihenanalyse Dr. Johann Burgstaller Finance Department, JKU Linz (Dieser Foliensatz wurde zuletzt aktualisiert am 25. Dezember 2007.) Dr. Johann Burgstaller IK Empirische Kapitalmarktforschung
MehrZeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe
MehrDynamische Systeme und Zeitreihenanalyse // Zustandsraummodelle und Kalman Filter 15 p.2/??
Dynamische Systeme und Zeitreihenanalyse Zustandsraummodelle und Kalman Filter Kapitel 15 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Zustandsraummodelle
MehrDynamische Modelle: Schätzen und Modellwahl
1 / 23 Dynamische Modelle: Schätzen und Modellwahl Kapitel 18 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 23 Inhalt Dynamische Modelle und autokorrelierte Fehler Tests auf Autokorrelation
MehrDynamische Modelle: Stabilität und Interpretation
1 / 25 Dynamische Modelle: Stabilität und Interpretation Kapitel 17 Angewandte Ökonometrie / Ökonometrie III Michael Hauser 2 / 25 Inhalt Kurz- und langfristige Effekte Einmalige Änderung in X Permanente
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
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
MehrEinführung in die Ökonometrie
Einführung in die Ökonometrie Inhaltsverzeichnis Vorwort 19 1 Einführung 21 1.1 Der Begriff Ökonometrie" 22 1.2 Ökonometrische Modellierung 23 l.a Aufgaben 24 l.a.l Empirische Anwendungen 24 l.a.2 Allgemeine
Mehr3.3 Konfidenzintervalle für Regressionskoeffizienten
3.3 Konfidenzintervalle für Regressionskoeffizienten Konfidenzintervall (Intervallschätzung): Angabe des Bereichs, in dem der "wahre" Regressionskoeffizient mit einer großen Wahrscheinlichkeit liegen wird
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
Mehr5. Zeitreihenanalyse und Prognoseverfahren
5. Zeitreihenanalyse und Prognoseverfahren Stichwörter: Trend, Saisonalität, Noise, additives Modell, multiplikatives Modell, Trendfunktion, Autokorrelationsfunktion, Korrelogramm, Prognosehorizont, Prognoseintervall,
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
MehrEinführung in die Ökonometrie
Peter Hackl Einführung in die Ökonometrie 2., aktualisierte Auflage Higher Education München Harlow Amsterdam Madrid Boston San Francisco Don Mills Mexico City Sydney a part of Pearson plc worldwide Einführung
MehrKapitel 15. Verletzung der Annahme A3: Variable Parameterwerte
Kapitel 15 Verletzung der Annahme A3: Variable Parameterwerte v Auer, Ökonometrie 15 2 Das ökonometrische Modell einer Mehrfachregression lautet: y t = α + β 1 x 1t + β 2 x 2t + + β K x Kt + u t Annahme
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
MehrInferenz im multiplen Regressionsmodell
1 / 29 Inferenz im multiplen Regressionsmodell Kapitel 4, Teil 1 Ökonometrie I Michael Hauser 2 / 29 Inhalt Annahme normalverteilter Fehler Stichprobenverteilung des OLS Schätzers t-test und Konfidenzintervall
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
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
MehrProf. Dr. Marc Gürtler WS 2015/2016. Prof. Dr. Marc Gürtler. Klausur zur 10/12 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft
Prof. Dr. Marc Gürtler WS 015/016 Prof. Dr. Marc Gürtler Klausur zur 10/1 SWS-Vertiefung Empirische Finanzwirtschaft Finanzwirtschaft Lösungsskizze Prof. Dr. Marc Gürtler WS 015/016 Aufgabe 1: (11+5+1+8=56
MehrKurs 9.3: Forschungsmethoden II
MSc Banking & Finance Kurs 9.3: Forschungsmethoden II Zeitreihenanalyse Lernsequenz 01: Einführung EViews Oktober 2014 Prof. Dr. Jürg Schwarz Folie 2 Inhalt Anmerkung 4 Das Hilfesystem von EViews 5 Workshop
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
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 36 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula =
MehrEinfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen)
3 Einfache lineare Regression Einfache lineare Modelle mit R 3.6 Einfache lineare Modelle mit Statistik-Software R Beispiel (Ausgaben in Abhängigkeit vom Einkommen) > summary(lm(y~x)) Call: lm(formula
MehrSchätzung im multiplen linearen Modell VI
Schätzung im multiplen linearen Modell VI Wie im einfachen linearen Regressionsmodell definiert man zu den KQ/OLS-geschätzten Parametern β = ( β 0, β 1,..., β K ) mit ŷ i := β 0 + β 1 x 1i +... β K x Ki,
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
MehrMultivariate Zeitreihenanalyse mit EViews 4.1
Multivariate Zeitreihenanalyse mit EViews 4.1 Unterlagen für LVen des Instituts für Angewandte Statistic (IFAS) Johannes Kepler Universität Linz Stand: 30. Mai 2005, Redaktion: Frühwirth-Schnatter 1 Deskriptive
MehrÖkonometrische Modelle
Ökonometrische Modelle Stichwörter: Dynamische Modelle Lagstrukturen Koyck sche Lagstruktur Zeitreihenmodelle Mehrgleichungsmodelle Strukturform reduzierte Form o1-13.tex/0 Lüdeke-Modell für die BRD C
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,
MehrSimultane Mehrgleichungssysteme: Parameterschätzung
Simultane Mehrgleichungssysteme: Parameterschätzung Stichwörter: Eigenschaften des OLS-Schätzers Hilfsvariablenschätzer 2SLS limited information Methoden 3SLS FIML full information Methoden o1-21.tex/0
Mehr2 Anwendungen und Probleme
Prof. Dr. Werner Smolny Sommersemester 2005 Abteilung Wirtschaftspolitik Helmholtzstr. 20, Raum E 05 Tel. 0731 50 24261 UNIVERSITÄT DOCENDO CURANDO ULM SCIENDO Fakultät für Mathematik und Wirtschaftswissenschaften
Mehr= 2 ( 3250,3 ( 3251,5)) = 1,1662 F(2,800) = 2,4 χ2
Pobeklausur: Einführung in die Ökonometrie (Lösung) Gesamtpunktzahl: 96 1. (20 Punkte) a) Anmerkung: statt im Durchschnitt kann auch der/die/das erwartete... stehen. educ : Wenn die Bildung um 1 Jahr steigt,
MehrTeil XIII. Multiple lineare Regression. Woche 11: Multiple lineare Regression. Zusammenfassung Einfache lineare Regression.
Woche 11: Multiple lineare Regression Patric Müller Teil XIII Multiple lineare Regression ETHZ WBL 17/19, 10.07.017 Wahrscheinlichkeit und Statistik Patric Müller WBL
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
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
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Herbert Stocker Online-Exercise: Life expectancy Die durchschnittliche Lebenserwartung hat in den meisten Ländern über die letzten fünf Dekaden mehr oder weniger stark zugenommen.
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
MehrÜbungsblatt 4. Autokovarianz, Autokorrelation Invertierbarkeit und Kausalität
Empirische Methoden (MA) SS 2011 Übungsblatt 4 Willi Mutschler willi.mutschler@uni-muenster.de Autokovarianz, Autokorrelation Invertierbarkeit und Kausalität 1. Sei Z t W N(0, σ 2 ). Bestimmen Sie den
MehrDIPLOMARBEIT. Titel der Diplomarbeit. Kointegration am Beispiel der Gold-Silber-Relation. Verfasser. Bernhard Klaus. Angestrebter akademischer Grad
DIPLOMARBEIT Titel der Diplomarbeit Kointegration am Beispiel der Gold-Silber-Relation Verfasser Bernhard Klaus Angestrebter akademischer Grad Magister der Sozial- und Wirtschaftswissenschaften (Mag. rer.
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
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
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
MehrWiederholungsübungen zu den Kapiteln 7 bis 11
Mittelwert-Tests Übung Wiederholungsübungen zu den Kapiteln 7 bis 11 In dieser Übung wird der Datensatz 4 verwendet. In dem (fiktiven) Datensatz sind für 50 Personen vier Variablen erfasst: das Geschlecht,
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
MehrPobeklausur: Einführung in die Ökonometrie. 1. (20 Punkte) Wir betrachten 2 (in den Koeffizienten) lineare Modelle mit folgenden Variablen:
Gesamtpunktzahl: 96 Pobeklausur: Einführung in die Ökonometrie 1. (20 Punkte) Wir betrachten 2 (in den Koeffizienten) lineare Modelle mit folgenden Variablen: cigs: gerauchte Zigaretten pro Tag educ: Bildung
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrDie Nairu: Erklarung oder Reflex der Arbeitslosenquote?
Camille Logeay Die Nairu: Erklarung oder Reflex der Arbeitslosenquote? Die 'natiirliche Rate'-Hypothese und ihre Stichhaltigkeit fiir die Europaische Wahrungsunion Metropolis-Verlag Marburg 2006 Inhalt
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
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
MehrSchweizer Statistiktage, Aarau, 18. Nov. 2004
Schweizer Statistiktage, Aarau, 18. Nov. 2004 Qualitative Überprüfung der Modellannahmen in der linearen Regressionsrechnung am Beispiel der Untersuchung der Alterssterblichkeit bei Hitzeperioden in der
MehrKompaktskript zur Vorlesung Prognoseverfahren
Kompaktskript zur Vorlesung Prognoseverfahren Friedrich-Schiller-Universität Jena Wirtschaftswissenschaftliche Fakultät Lehrstuhl für Wirtschafts- und Sozialstatistik Prof. Dr. P. Kischka Sommersemester
Mehr