Einfache und multiple Regression

Slides:



Advertisements
Ähnliche Präsentationen
Induktive Statistik: Regressionsanalyse
Advertisements

Forschungsstatistik I
Regression und Korrelation
2. Univariate Regressionsanalyse 2.1 Das statische Regressionsmodell
Tutorium
Tutorium
Tutorium
Tutorium Aufgabe 1 a) E(eIX)= 0 E(eIX)= E(Y-E(YIX)IX) = E(YIX)- E (E(YIX)IX) = E(YIX)- E(YIX) = 0 Im Mittel macht man mit seiner Schätzung keinen.
Unser sechstes Tutorium Materialien unter:
Einfache Regressionsgleichung
Multikollinearität Wann spricht man von Multikollinearität?
Wiederholung: Einfache Regressionsgleichung
Kapitel 9 Analyse der Modellstruktur
Kapitel 15 Instrumentvariablen- Schätzung
Bestimmung der Regressionsgewichte in der multiplen Regression
Kapitel 7 Lineare Restriktionen
Informatik 1 Letzte Übung.
Statistik: Mehr zur Regression.
Kapitel 13 Zeitreihen und Zeitreihen-Modelle
Kapitel 15 Instrumentvariablen- Schätzung
Kapitel 10 Multikollinearität
STATISIK LV Nr.: 1375 SS April 2005.
Kapitel 9 Analyse der Modellstruktur Hackl, Einführung in die Ökonometrie 2 Rekursive OLS-Schätzung Spezifiziertes Modell: y = X + u y, u:
Kapitel 6 Variablenauswahl und Missspezifikation
Kapitel 2 Das klassische Regressionsmodell
Lineare Restriktionen
Kapitel 18 Dynamische Modelle: Schätzen der Parameter
Ökonometrie I Analyse der Modellstruktur Ökonometrie I2 Rekursive OLS-Schätzung Spezifiziertes Modell: y = X + u y, u: n-Vektoren; X: Ordnung.
Analyse der Modellstruktur
Peter Hackl Sprechstunde: Fr, 10:30-11:30 Tel.:
Kapitel 1 Der Begriff „Ökonometrie“
Missspezifikation: Konsequenzen und Tests
Kapitel 5 Statistische Bewertung von Regressionsbezie-hungen
Kapitel 19 Kointegration
Kapitel 10 Multikollinearität
Kapitel 3 Lineare Regression: Schätzverfahren
Kapitel 21 Mehrgleichungs-Modelle: Schätzverfahren
Kapitel 16 Ökonometrische Modelle
Kapitel 20 Mehrgleichungs-Modelle: Konzepte
Kapitel 14 Trends und Unit-root-Tests
Kapitel 13 Zeitreihen und Zeitreihen-Modelle
Ökonometrie I Variablenauswahl.
Bewertung von Regressionsbeziehungen
OLS-Schätzer und seine Eigenschaften
Kapitel 11 Heteroskedastizität
Prognose und Prognosequalität
Ökonometrie I Peter Hackl Sprechstunde: Fr, 10:45-11:45 Tel.: Fr, 9:00-10:30.
Annahmen des lineare Regressionsmodells
Kapitel 4 Annahmen des linearen Regressionsmodells
Kapitel 8 Prognose und Prognosequalität
Ökonometrie I Modellvergleich (Übersicht) Ökonometrie I2 Vergleich von Modellen Fragestellungen für Modellvergleich 1.Fehlende Regressoren.
Kapitel 18 Dynamische Modelle: Schätzen der Parameter.
Kapitel 20 Mehrgleichungs- Modelle: Konzepte
Kapitel 21 Mehrgleichungs- Modelle: Schätzverfahren.
STATISIK LV Nr.: 0021 WS 2005/ November 2005.
Regression und Kollokation
Kapitel 9 Analyse der Modellstruktur
Das betriebliche Rechnungswesen und der Jahresabschluss
Kapitel 11 Heteroskedastizität
Wahlpflicht I INFORMATIK 7. bis 10. Klasse 2010/2011 Informatik WP I.
Multiple Regressionsanalyse
Kapitel 14 Trends und Unit-root-Tests
1 STATISIK LV Nr.: 0021 WS 2005/ November 2005.
Die Lurchis. Unser Gruppenleiter Die Gruppe Die Kirche.
Die einfache/multiple lineare Regression
STATISIK LV Nr.: 1852 WS 2005/ Jänner 2006.
setzt Linearität des Zusammenhangs voraus
Die einfache/multiple lineare Regression
 Gegenstandsbereich der Testtheorie: Analyse der Charakteristika von Tests:  Güte von Tests.  Struktur von Tests.  Schwierigkeit von Tests.  Gruppenunterschiede.
Außenhandelsbeziehungen zwischen China, USA, EU Makroökonometrie Vorlesung Dr. Oliver Bode.
 Präsentation transkript:

Einfache und multiple Regression Ökonometrie I Einfache und multiple Regression

Ein Beispiel Konsumtheorie nach Keynes Ökonometrisches Modell Ct = f(Yt) Ökonometrisches Modell Ct = b1 + b2Yt + ut Aufgaben der ökonometrischen Analyse Schätzen der Parameter Testen von Hypothesen Überprüfen des Modells 22.10.2004 Ökonometrie I

Einfache, lineare Regression Yt = b1 + b2Xt + ut Y: abhängige oder endogene Variable X: unabhängige oder exogene oder erklärende Variable, auch Regressor u: Zufallsfehler, Störgröße, Noise nicht berücksichtigte erklärende Variable Messfehler Verteilungsgesetz E{ut}=0 Var{ut}=s2 Cov{us,ut}=0, s≠t b: Regressionskoeffizienten 22.10.2004 Ökonometrie I

Einkommen und Konsum PCRT: Privater Konsum, real, in Mrd.EUR PYRT: Verfügbaren Einkom- men der Haushalte, real 1970:1-2002:4 Basis: 1995 Quelle: AWM-Datenbasis 22.10.2004 Ökonometrie I

Einkommen und Konsum, Forts. PCRT: Privater Konsum, real, in Mrd.EUR PYRT: Verfügbaren Einkom- men der Haushalte, real 1970:1-2002:4 Basis: 1995 Quelle: AWM-Datenbasis 22.10.2004 Ökonometrie I

Matrixschreibweise Modell: Yt = b1 + b2Xt + ut, t=1,…,n oder n Beobachtungen (X1,Y1), … , (Xn,Yn) Modell: Yt = b1 + b2Xt + ut, t=1,…,n oder y = Xb + u mit 22.10.2004 Ökonometrie I

Matrixschreibweise, Forts. n Beobachtungen (X1,Y1), … , (Xn,Yn) Modell: Yt = xt‘b + ut, t=1,…,n, mit 22.10.2004 Ökonometrie I

Schätzen der Koeffizienten b1, b2: „wahre“ Regressionskoeffizienten Störgrößen: ut = Yt - (b1 + b2Xt) Residuen: et = Yt - (b1 + b2 Xt) Schätzer von bi: bi ist Funktion von (Xt, Yt), t=1,…,n. Summe der Fehlerquadrate S(b1, b2) = St ut2= St [Yt - (b1 + b2Xt)]2 Prinzip der Kleinsten Quadrate: bi = arg minb1, b2 S(b1, b2) 22.10.2004 Ökonometrie I

Ableiten der Normalgleichungen Partielles Ableiten von S(b1, b2) = St [Yt - (b1 + b2Xt)]2 liefert Nullsetzen: ergibt die Normalgleichungen 22.10.2004 Ökonometrie I

Normalgleichungen Auflösen nach b1 und b2 gibt die OLS-Schätzer mit 22.10.2004 Ökonometrie I

Multiple, lineare Regression Modell Yt = xt‘b + ut = b1+b2X2t+…+bkXkt+ut Normalgleichungen SjbjStXjtXit = StXitYt, i=1,…,k 22.10.2004 Ökonometrie I

OLS-Schätzung in Matrixform Yt = xt‘b + ut, t=1,…,n oder y = Xb + u Summe der Fehlerquadrate S(b) = (y-Xb)‘(y-Xb) = y‘y -2y‘Xb+b‘X‘Xb OLS-Schätzer: b = (X‘X)-1X‘y 22.10.2004 Ökonometrie I