Skip to main content

Ökonometrie für Dummies

Ökonometrie für Dummies

Roberto Pedace

ISBN: 978-3-527-80152-7

Oct 2015

388 pages

Select type: E-Book

$17.99

Description

Theorien verstehen und Techniken anwenden

Was haben die Gehälter von Spitzensportlern und der Mindestlohn gemeinsam? Richtig, man kann sie mit Ökonometrie erforschen. Im Buch steht, wie es geht. Und nicht nur dafür, sondern für viele weitere Gebiete lohnt es sich, der zunächst etwas trocken und sperrig anmutenden Materie eine Chance zu geben. Lernen Sie von den Autoren, wie Sie spannende Fragen formulieren, passende Variablen festlegen, treffsichere Modelle entwerfen und Ihre Aussagen auf Herz und Nieren prüfen. Werden Sie sicher im Umgang mit Hypothesentests, Regressionsmodellen, Logit- & Probit-Modellen und allen weiteren gängigen Methoden der Ökonometrie. So begleitet Ökonometrie für Dummies Sie Schritt für Schritt und mit vielen Beispielen samt R Output durch dieses spannende Thema.

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 22

Über dieses Buch hinaus 23

Wie es weitergeht 24

Teil I Der Einstieg in die Ökonometrie 25

Kapitel 1 Ökonometrie: Wie Ökonomen an statistische Analysen herangehen 27

Ökonomische Beziehungen auswerten 27

Mittels ökonomischer Theorie Zusammenhänge beschreiben und Vorhersagen treffen 28

Sinnvolle Annahmen sind der Grundstein 28

Mit statistischen Methoden ökonomische Probleme angehen 29

Die Bedeutung des Datentyps, der Häufigkeit und der Aggregation erkennen 30

Tappen Sie nicht in die Data-Mining-Falle 31

Quantitative und qualitative Informationen einbeziehen 32

Mit ökonometrischer Software arbeiten: Eine Einführung in R 32

Sich mit R vertraut machen 33

Spalten zu einem Datensatz hinzufügen und entfernen 37

Schätzen, Testen und Vorhersagen 38

Kapitel 2 Der Dreh mit der Wahrscheinlichkeit 41

Zufallsvariablen und Wahrscheinlichkeitsverteilungen im Überblick 41

Alle Möglichkeiten betrachten: Verteilungsfunktion, Wahrscheinlichkeitsfunktion und Wahrscheinlichkeitsdichte 43

Eine für alle: Die Verteilungsfunktion 46

Die (kumulative) Verteilungsfunktion für diskrete Zufallsvariable 47

Zusammenhänge verstehen: Bi- und multivariate Verteilungen 49

Mit dem, was Sie wissen, die Zukunft vorhersagen: Bedingte Wahrscheinlichkeit 50

Zufallsvariablen mit Kennzahlen beschreiben 51

Mit dem Erwartungswert die Verteilung charakterisieren 52

Varianz und Standardabweichung messen 53

Beziehungen erfassen mit Kovarianz und Korrelation 55

Kapitel 3 Schlüsse ziehen und Hypothesen testen 61

Mit deskriptiver Statistik Ihre Daten kennenlernen 61

Schätzfunktionen verwenden 62

Schätzer vergleichen und beurteilen 66

Mit der Normal- und Standardnormalverteilung die Grundlage für Vorhersagen schaffen 68

Gewöhnliche Variablen erkennen: Normalverteilung 68

Eine einheitliche Skala für Variablen: Die Standardnormalverteilung (Z) 69

Schätzer besser verstehen: Stichprobenverteilungen 70

Simulation und zentraler Grenzwertsatz 71

Die Chi-Quadrat- ( 2), t- und F-Verteilungen entzaubern 73

Schlussfolgern und Hypothesen testen mithilfe von Wahrscheinlichkeitsverteilungen 77

Einen Hypothesentest durchführen 77

Die Konfidenzintervall-Methode 79

Die Signifikanztest-Methode 80

Teil II Ein klassisches lineares Regressionsmodell erstellen 83

Kapitel 4 Die Ziele der Regressionsanalyse verstehen 85

Ein Plädoyer für die Kausalität 85

Sich vertraut machen mit der Wahrheit 87

Das theoretische Modell spezifizieren 88

Ein Beispiel durchgehen 90

Daten für die Regressionsanalyse sammeln und organisieren 93

Eine Momentaufnahme machen: Querschnittsdaten 93

Aus der Vergangenheit die Gegenwart erklären: Zeitreihendaten 95

Die Dimensionen von Raum und Zeit vereinen: Panel- oder Längsschnittdaten 96

Mehrere unabhängige Momentaufnahmen verbinden: Gepoolte Querschnittsdaten 97

Kapitel 5 Über das Gewöhnliche hinausgehen: Die gewöhnliche Methode der kleinsten Quadrate 99

Die Methode der kleinsten Quadrate definieren und begründen 99

Schätzen der Regressionsfunktion und der Residuen 101

Regressionskoeffizienten schätzen 102

Die Formeln für optimale Koeffizienten finden 103

Berechnen der geschätzten Regressionskoeffizienten 105

Manuell berechnen 106

Mit dem Computer rechnen 108

Regressionskoeffizienten interpretieren 110

Was verraten Ihnen Regressionskoeffizienten? 110

Regressionskoeffizienten standardisieren 112

Die Anpassungsgüte messen 115

Zerlegen Sie die Varianz 115

Die Bestandteile der Varianz mit R2 messen 116

Die Anpassungsgüte bei der Multivariaten Regression korrigieren 117

Anpassungsgüte gegen Qualität abwägen 118

Kapitel 6 Die Annahmen der GKQ-Schätzung und das Gauss-Markow-Theorem 121

Die GKQ-Annahmen zusammenfassen 121

Linearität in den Parametern und additiver Fehler 122

Die unabhängigen Variablen sind keine Zufallsvariablen 123

Keine perfekte Kollinearität in den Variablen 123

Der Fehlerterm hat den Erwartungswert null und das Modell ist korrekt spezifiziert. 125

Der Fehlerterm hat eine konstante Varianz 126

Die Korrelation der Fehler ist null 127

Die Welt des klassischen linearen Regressionsmodells: Das Gauss-Markow-Theorem 129

Das Gauss-Markow-Theorem beweisen 129

Zusammenfassung des Gauss-Markow-Theorems 136

Kapitel 7 Die Normalverteilungsannahme und Inferenz mit der GKQ-Methode 139

Die Rolle der Normalverteilung verstehen 139

Der Fehlerterm und die Verteilung von GKQ- Schätzern 141

Wiedersehen mit der Standardnormalverteilung 143

Die Stichprobenvarianz des Fehlers: Chi-Quadrat-verteilt 143

GKQ-Koeffizienten und die t-Verteilung 147

Die Signifikanz einzelner Regressionskoeffizienten testen 148

Eine Methode auswählen 149

Signifikanzniveau und p-Werte festlegen 152

Die Varianz analysieren, um die Gesamt- oder gemeinsame Signifikanz zu bestimmen 152

Normalität, Varianz und die »F«-Verteilung 153

Die angezeigte »F«-Statistik für die GKQ-Schätzung 153

Steigungskoeffizienten und die Beziehung zwischen t und F 156

Gemeinsame Signifikanz von Variablenuntergruppen 157

Vorhersagefehler für GKQ-Prognosen berechnen 160

Mittelwertprognose und Vorhersagefehler 161

Varianz der Punktprognose 161

Nicht alle Prognosen sind gleich: Das Prognosekonfidenzintervall 164

Teil III Mit dem klassischen Regressionsmodell arbeiten 165

Kapitel 8 Funktionale Form, Spezifikation und strukturelle Stabilität 167

Sich alternativer Funktionen bedienen 167

Quadratische Funktion: Das Beste zum Finden von Minima und Maxima 168

Kubische Funktionen: Gut für Wendepunkte 168

Gebrochenrationale Funktionen: Den Wert der abhängigen Variable begrenzen 169

Nichtlinearen Modellen zu Linearität verhelfen 170

Beide Seiten bearbeiten, um elastisch zu bleiben: Das Log-Log-Modell 170

Investieren und Renditen berechnen: Das Log-lineare Modell 172

Abnehmende Veränderung der abhängigen Variable: Das linear-logarithmische Modell 174

Auf Fehlspezifikation überprüfen 176

Zu viele oder zu wenige: Unabhängige Variablen auswählen 177

Empfindlichkeit ist keine Tugend: Fehlspezifikation anhand der Stabilität der Ergebnisse untersuchen 179

Kapitel 9 Regression mit Dummy-Variablen 183

Zahlen bitte! Qualitative Information quantifizieren 183

Eine Dummy-Variable definieren, wenn es nur zwei mögliche Ausprägungen gibt 183

Mit Dummy-Variablen mehrere Ausprägungen darstellen 184

Mit einer Dummy-Variable durchschnittliche Differenzen erkennen 185

Spezifikation 185

Interpretation 186

Quantitative und qualitative Daten in einem Regressionsmodell kombinieren 189

Spezifikation 190

Interpretation 190

Quantitative und qualitative Variablen interagieren lassen 192

Spezifikation 192

Interpretation 193

Interaktion von zwei (oder mehr) qualitativen Eigenschaften 196

Spezifikation 196

Interpretation 196

Gruppen bilden und zusammenlegen: Auf Signifikanz testen 199

Ein alter Bekannter: Der F-Test auf gemeinsame Signifikanz 199

Und noch einmal der Chow-Test 202

Teil IV Verletzungen der Annahmen des klassischen Regressionsmodells 207

Kapitel 10 Multikollinearität 209

Die verschiedenen Arten von Multikollinearität unterscheiden 209

Perfekte Multikollinearität dingfest machen 210

Hohe Multikollinearität fassen 212

Faustregeln zum Identifizieren von Multikollinearität 214

Paarweise Korrelationskoeffizienten 215

Hilfsregression und der Varianzinflationsfaktor (VIF) 217

Wissen, wann und wie man Multikollinearitätsprobleme löst 220

Sich mehr Daten verschaffen 221

Ein neues Modell nehmen 222

Die Problemvariablen herausnehmen 223

Kapitel 11 Heteroskedastizität 227

Zwischen homoskedastischen und heteroskedastischen Störungen unterscheiden 227

Homoskedastischer versus heteroskedastischer Fehlerterm 227

Die Folgen von Heteroskedastizität 229

Mit einer Residuenanalyse Heteroskedastizität aufspüren 229

Residuen grafisch untersuchen 230

Sich mit dem White-Test vertraut machen 235

Den Goldfeld-Quandt-Test verwenden 237

Den Park-Test durchführen 241

Anzeichen für Heteroskedastizität? Hier geht’s zur Apotheke! 243

Gewichtete kleinste Quadrate (WLS) 244

Robuste Standardfehler 248

Kapitel 12 Autokorrelation 253

Autokorrelationsmuster untersuchen 253

Positive versus negative Autokorrelation 254

Fehlspezifikation und Autokorrelation 256

Die Auswirkung autoregressiver Fehler veranschaulichen 256

Residuen analysieren, um auf Autokorrelation zu testen 259

Den optischen Weg einschlagen: Grafische Inspektion Ihrer Residuen 259

Mit der Normalverteilung Sequenzen von Residuen identifizieren: Der Runs-Test 259

Autokorrelation eines AR(1)-Prozesses aufspüren: Der Durbin-Watson-Test 264

Autokorrelation eines AR(p) Prozesses aufspüren: Der Breusch-Godfrey-Test 266

Schädliche Autokorrelation beheben 268

FGLS 268

Autokorrelationsrobuste Standardfehler 272

Teil V Diskrete und beschränkte abhängige Variablen 275

Kapitel 13 Qualitative abhängige Variablen 277

Mit dem linearen Wahrscheinlichkeitsmodell (LWM) diskrete Ergebnisse modellieren 277

Ein LWM mit der GKQ-Methode schätzen 278

Ihre Ergebnisse interpretieren 281

Wermutstropfen: Die drei wichtigsten LWM-Probleme 284

Nicht normalverteilte Fehler 284

Heteroskedastizität 285

Unbeschränkte vorhergesagte Wahrscheinlichkeiten 286

Geeignete nichtlineare Funktionen spezifizieren: Probit- und Logit-Modell 287

Mit der Verteilungsfunktion der Standardnormalverteilung arbeiten: Das Probit-Modell 288

Die Logistische Verteilung verwenden: Das Logit-Modell 289

Mit der Maximum-Likelihood-(ML-)Schätzung arbeiten 290

Die Likelihood-Funktion erzeugen 291

Die Log-Transformation und ML-Schätzwerte 292

Probit- und Logit-Schätzwerte interpretieren 293

Probit-Koeffizienten 297

Logit-Koeffizienten 298

Kapitel 14 Modelle für beschränkte abhängige Variablen 301

Das Wesentliche beschränkter abhängiger Variablen 301

Zensierte abhängige Variablen 302

Verkürzte abhängige Variable 303

Die Regressionsanalyse für beschränkte abhängige Variable modifizieren 304

Tobin’s Tobit 304

Verkürzte Regression 308

Mehr unabhängige als abhängige Beobachtungen: Das Heckman Selektionsmodell 311

Teil VI Das ökonometrische Basismodell erweitern 317

Kapitel 15 Statische und dynamische Modelle 319

Gleichzeitige und verzögerte Variablen in der Regressionsanalyse verwenden 319

Fragestellungen mit dynamischen Modellen untersuchen 320

Dynamische Modelle auf Autokorrelation testen und korrigieren 323

Trends mit der GKQ-Methode berücksichtigen 324

Scheinkorrelation und Zeitreihen 327

Den Trend aus Zeitreihendaten entfernen 328

Die GKQ-Methode zur Saisonbereinigung verwenden 331

Saisonbedingte Auswirkungen schätzen 332

Zeitreihendaten saisonbereinigen 334

Kapitel 16 In die gepoolte Querschnittsanalyse einsteigen 337

Ein dynamisches Zeitelement hinzufügen 337

Achsenabschnitte und/oder Steigungen untersuchen, die sich im Laufe der Zeit verändern 338

Zeit-Dummy-Variablen einbeziehen 339

Durch Experimente Politikeffekte mit gepoolten Querschnitten schätzen 341

Zufallszuweisung: Ein echtes Experiment 341

Mit vorher festgelegten Subjektgruppen arbeiten: Ein natürliches (oder Quasi-)Experiment 342

Kapitel 17 Ökonometrie mit Paneldaten 347

Die Eindeutigkeit jeder individuellen Einheit schätzen 347

Die erste Differenzen Transformation (FD) 350

Regression mit Dummy-Variablen (DV) 350

Der Fixe-Effekte-Schätzer (FE) 351

Die Effizienz der Schätzung mit stochastischen Effekten steigern 354

Der zusammengesetzte Fehler und Annahmen beim Modell mit stochastischen Effekten 355

Der Stochastische-Effekte-Schätzer (RE-Schätzer) 355

Mit dem Hausman-Test Effizienz gegen Konsistenz testen 359

Teil VII Der Top-Ten-Teil 361

Kapitel 18 Zehn Bestandteile eines guten ökonometrischen Forschungsprojektes 363

Ihr Thema vorstellen und die grundlegende Frage stellen 363

Die Relevanz und Bedeutung Ihres Themas besprechen 364

Die vorhandene Literatur würdigen 364

Den konzeptionellen oder theoretischen Rahmen beschreiben 365

Ihr ökonometrisches Modell erklären 366

Die Schätzmethoden erörtern 366

Ihre Daten detailliert beschreiben 367

Tabellen und Graphen erstellen, um Ihre Ergebnisse abzubilden 368

Die dargestellten Ergebnisse interpretieren 368

Fassen Sie das Gelernte zusammen 369

Kapitel 19 Zehn häufige Fehler in der angewandten Ökonometrie 371

Ihren gesunden Menschenverstand und Ihre Kenntnis in Wirtschaftstheorie nicht anwenden 371

Die falschen Fragen zuerst stellen 372

Die Arbeit und Beiträge anderer ignorieren 372

Sich nicht mit den Daten vertraut machen 372

Es zu kompliziert machen 373

Unflexibel gegenüber Komplikationen der realen Welt sein 374

Bei seltsamen Ergebnissen einfach wegsehen 375

Sich zu sehr mit Gütekriterien und statistischer Signifikanz beschäftigen 375

Ökonomische Signifikanz vergessen 376

Annehmen, Ihre Ergebnisse seien robust 376

Anhang: Statistische Tabellen 377

Die Standardnormalverteilung 377

Die t-Verteilung 379

Die Chi-Quadrat-Verteilung 380

F-Verteilung 381

Durbin-Watson d-Statistik 381

Stichwortverzeichnis 383