Ökonometrie für Dummies

Ökonometrie; nicht nur der Begriff ist etwas sperrig, auch die Inhalte erschließen sich nicht jedem sofort. Wichtig und interessant ist sie aber trotzdem. Roberto Pedace erklärt Ihnen, worum es in der Ökonometrie geht, wie Sie Test-Hypothesen aufstellen und vieles mehr. Er erläutert, wie Sie mit Regressionsmodellen arbeiten und mit diskreten und abhängigen Variablen umgehen. Gegen Ende des Buches geht er über die Basismodelle hinaus und führt Sie in statische und dynamische Modelle sowie die Kunst der Vorhersagen ein.

Ü ber die Autoren 9
Widmung von Roberto 9
Danksagung von Roberto 10
Einleitung 21
Ü ber dieses Buch 21
Tö richte Annahmen ü ber den Leser. . . 22
Symbole, die in diesem Buch verwendet werden 22
Ü ber dieses Buch hinaus 23
Wie es weitergeht 24
Teil I Der Einstieg in die Ö konometrie 25
Kapitel 1 Ö konometrie: Wie Ö konomen an statistische Analysen herangehen 27
Ö konomische Beziehungen auswerten 27
Mittels ö konomischer Theorie Zusammenhä nge beschreiben und Vorhersagen treffen 28
Sinnvolle Annahmen sind der Grundstein 28
Mit statistischen Methoden ö konomische Probleme angehen 29
Die Bedeutung des Datentyps, der Hä ufigkeit und der Aggregation erkennen 30
Tappen Sie nicht in die Data-Mining-Falle 31
Quantitative und qualitative Informationen einbeziehen 32
Mit ö konometrischer Software arbeiten: Eine Einfü hrung in R 32
Sich mit R vertraut machen 33
Spalten zu einem Datensatz hinzufü gen und entfernen 37
Schä tzen, Testen und Vorhersagen 38
Kapitel 2 Der Dreh mit der Wahrscheinlichkeit 41
Zufallsvariablen und Wahrscheinlichkeitsverteilungen im Ü berblick 41
Alle Mö glichkeiten betrachten: Verteilungsfunktion, Wahrscheinlichkeitsfunktion und Wahrscheinlichkeitsdichte 43
Eine fü r alle: Die Verteilungsfunktion 46
Die (kumulative) Verteilungsfunktion fü r diskrete Zufallsvariable 47
Zusammenhä nge 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 Schlü sse ziehen und Hypothesen testen 61
Mit deskriptiver Statistik Ihre Daten kennenlernen 61
Schä tzfunktionen verwenden 62
Schä tzer vergleichen und beurteilen 66
Mit der Normal- und Standardnormalverteilung die Grundlage fü r Vorhersagen schaffen 68
Gewö hnliche Variablen erkennen: Normalverteilung 68
Eine einheitliche Skala fü r Variablen: Die Standardnormalverteilung (Z) 69
Schä tzer 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 durchfü hren 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 Plä doyer fü r die Kausalitä t 85
Sich vertraut machen mit der Wahrheit 87
Das theoretische Modell spezifizieren 88
Ein Beispiel durchgehen 90
Daten fü r die Regressionsanalyse sammeln und organisieren 93
Eine Momentaufnahme machen: Querschnittsdaten 93
Aus der Vergangenheit die Gegenwart erklä ren: Zeitreihendaten 95
Die Dimensionen von Raum und Zeit vereinen: Panel- oder Lä ngsschnittdaten 96
Mehrere unabhä ngige Momentaufnahmen verbinden: Gepoolte Querschnittsdaten 97
Kapitel 5 Ü ber das Gewö hnliche hinausgehen: Die gewö hnliche Methode der kleinsten Quadrate 99
Die Methode der kleinsten Quadrate definieren und begrü nden 99
Schä tzen der Regressionsfunktion und der Residuen 101
Regressionskoeffizienten schä tzen 102
Die Formeln fü r optimale Koeffizienten finden 103
Berechnen der geschä tzten Regressionskoeffizienten 105
Manuell berechnen 106
Mit dem Computer rechnen 108
Regressionskoeffizienten interpretieren 110
Was verraten Ihnen Regressionskoeffizienten? 110
Regressionskoeffizienten standardisieren 112
Die Anpassungsgü te messen 115
Zerlegen Sie die Varianz 115
Die Bestandteile der Varianz mit R2 messen 116
Die Anpassungsgü te bei der Multivariaten Regression korrigieren 117
Anpassungsgü te gegen Qualitä t abwä gen 118
Kapitel 6 Die Annahmen der GKQ-Schä tzung und das Gauss-Markow-Theorem 121
Die GKQ-Annahmen zusammenfassen 121
Linearitä t in den Parametern und additiver Fehler 122
Die unabhä ngigen Variablen sind keine Zufallsvariablen 123
Keine perfekte Kollinearitä t 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- Schä tzern 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 auswä hlen 149
Signifikanzniveau und p-Werte festlegen 152
Die Varianz analysieren, um die Gesamt- oder gemeinsame Signifikanz zu bestimmen 152
Normalitä t, Varianz und die 'F'-Verteilung 153
Die angezeigte 'F'-Statistik fü r die GKQ-Schä tzung 153
Steigungskoeffizienten und die Beziehung zwischen t und F 156
Gemeinsame Signifikanz von Variablenuntergruppen 157
Vorhersagefehler fü r 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 Stabilitä t 167
Sich alternativer Funktionen bedienen 167
Quadratische Funktion: Das Beste zum Finden von Minima und Maxima 168
Kubische Funktionen: Gut fü r Wendepunkte 168
Gebrochenrationale Funktionen: Den Wert der abhä ngigen Variable begrenzen 169
Nichtlinearen Modellen zu Linearitä t verhelfen 170
Beide Seiten bearbeiten, um elastisch zu bleiben: Das Log-Log-Modell 170
Investieren und Renditen berechnen: Das Log-lineare Modell 172
Abnehmende Verä nderung der abhä ngigen Variable: Das linear-logarithmische Modell 174
Auf Fehlspezifikation ü berprü fen 176
Zu viele oder zu wenige: Unabhä ngige Variablen auswä hlen 177
Empfindlichkeit ist keine Tugend: Fehlspezifikation anhand der Stabilitä t 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 mö gliche Ausprä gungen gibt 183
Mit Dummy-Variablen mehrere Ausprä gungen 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 Multikollinearitä t 209
Die verschiedenen Arten von Multikollinearitä t unterscheiden 209
Perfekte Multikollinearitä t dingfest machen 210
Hohe Multikollinearitä t fassen 212
Faustregeln zum Identifizieren von Multikollinearitä t 214
Paarweise Korrelationskoeffizienten 215
Hilfsregression und der Varianzinflationsfaktor (VIF) 217
Wissen, wann und wie man Multikollinearitä tsprobleme lö st 220
Sich mehr Daten verschaffen 221
Ein neues Modell nehmen 222
Die Problemvariablen herausnehmen 223
Kapitel 11 Heteroskedastizitä t 227
Zwischen homoskedastischen und heteroskedastischen Stö rungen unterscheiden 227
Homoskedastischer versus heteroskedastischer Fehlerterm 227
Die Folgen von Heteroskedastizitä t 229
Mit einer Residuenanalyse Heteroskedastizitä t aufspü ren 229
Residuen grafisch untersuchen 230
Sich mit dem White-Test vertraut machen 235
Den Goldfeld-Quandt-Test verwenden 237
Den Park-Test durchfü hren 241
Anzeichen fü r Heteroskedastizitä t? 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 aufspü ren: Der Durbin-Watson-Test 264
Autokorrelation eines AR(p) Prozesses aufspü ren: Der Breusch-Godfrey-Test 266
Schä dliche Autokorrelation beheben 268
FGLS 268
Autokorrelationsrobuste Standardfehler 272
Teil V Diskrete und beschrä nkte abhä ngige Variablen 275
Kapitel 13 Qualitative abhä ngige Variablen 277
Mit dem linearen Wahrscheinlichkeitsmodell (LWM) diskrete Ergebnisse modellieren 277
Ein LWM mit der GKQ-Methode schä tzen 278
Ihre Ergebnisse interpretieren 281
Wermutstropfen: Die drei wichtigsten LWM-Probleme 284
Nicht normalverteilte Fehler 284
Heteroskedastizitä t 285
Unbeschrä nkte 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-)Schä tzung arbeiten 290
Die Likelihood-Funktion erzeugen 291
Die Log-Transformation und ML-Schä tzwerte 292
Probit- und Logit-Schä tzwerte interpretieren 293
Probit-Koeffizienten 297
Logit-Koeffizienten 298
Kapitel 14 Modelle fü r beschrä nkte abhä ngige Variablen 301
Das Wesentliche beschrä nkter abhä ngiger Variablen 301
Zensierte abhä ngige Variablen 302
Verkü rzte abhä ngige Variable 303
Die Regressionsanalyse fü r beschrä nkte abhä ngige Variable modifizieren 304
Tobin's Tobit 304
Verkü rzte Regression 308
Mehr unabhä ngige als abhä ngige Beobachtungen: Das Heckman Selektionsmodell 311
Teil VI Das ö konometrische Basismodell erweitern 317
Kapitel 15 Statische und dynamische Modelle 319
Gleichzeitige und verzö gerte 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 berü cksichtigen 324
Scheinkorrelation und Zeitreihen 327
Den Trend aus Zeitreihendaten entfernen 328
Die GKQ-Methode zur Saisonbereinigung verwenden 331
Saisonbedingte Auswirkungen schä tzen 332
Zeitreihendaten saisonbereinigen 334
Kapitel 16 In die gepoolte Querschnittsanalyse einsteigen 337
Ein dynamisches Zeitelement hinzufü gen 337
Achsenabschnitte und/oder Steigungen untersuchen, die sich im Laufe der Zeit verä ndern 338
Zeit-Dummy-Variablen einbeziehen 339
Durch Experimente Politikeffekte mit gepoolten Querschnitten schä tzen 341
Zufallszuweisung: Ein echtes Experiment 341
Mit vorher festgelegten Subjektgruppen arbeiten: Ein natü rliches (oder Quasi-)Experiment 342
Kapitel 17 Ö konometrie mit Paneldaten 347
Die Eindeutigkeit jeder individuellen Einheit schä tzen 347
Die erste Differenzen Transformation (FD) 350
Regression mit Dummy-Variablen (DV) 350
Der Fixe-Effekte-Schä tzer (FE) 351
Die Effizienz der Schä tzung mit stochastischen Effekten steigern 354
Der zusammengesetzte Fehler und Annahmen beim Modell mit stochastischen Effekten 355
Der Stochastische-Effekte-Schä tzer (RE-Schä tzer) 355
Mit dem Hausman-Test Effizienz gegen Konsistenz testen 359
Teil VII Der Top-Ten-Teil 361
Kapitel 18 Zehn Bestandteile eines guten ö konometrischen Forschungsprojektes 363
Ihr Thema vorstellen und die grundlegende Frage stellen 363
Die Relevanz und Bedeutung Ihres Themas besprechen 364
Die vorhandene Literatur wü rdigen 364
Den konzeptionellen oder theoretischen Rahmen beschreiben 365
Ihr ö konometrisches Modell erklä ren 366
Die Schä tzmethoden erö rtern 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 hä ufige Fehler in der angewandten Ö konometrie 371
Ihren gesunden Menschenverstand und Ihre Kenntnis in Wirtschaftstheorie nicht anwenden 371
Die falschen Fragen zuerst stellen 372
Die Arbeit und Beiträ ge anderer ignorieren 372
Sich nicht mit den Daten vertraut machen 372
Es zu kompliziert machen 373
Unflexibel gegenü ber Komplikationen der realen Welt sein 374
Bei seltsamen Ergebnissen einfach wegsehen 375
Sich zu sehr mit Gü tekriterien und statistischer Signifikanz beschä ftigen 375
Ö konomische 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