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.

Autorentext

Roberto Pedace ist Professor am Scripps College in kalifornien und unterrichtet dort unter anderem Ökonometrie, Statistik sowie Mikroökonomie.
Karl-Kuno Kunze ist Professor für Wirtschaftsmathematik und -statistik an
der Ostfalia Hochschule Braunschweig/Wolfenbüttel. Nach über zehnjähriger Praxis in der Anwendung
quantitativer Modelle in der Finanzwirtschaft leitet er jetzt das R Institute (www.r-institute.com), welches Beratung, Schulungen und Zertifizierungen im Bereich Datenanalyse mit
dem Softwarepaket R anbietet. Er publiziert regelmäßig zu Themen der Zeitreihenanalyse
und Finanzmarktforschung und ist Autor von zwei R-Paketen für Zeitreihenanalyse.

Klappentext

Mit viel Euphorie an die ÖkonometrieWeitere

Theorien verstehen und Techniken anwenden Was haben die Gehälter von Spitzensportlern und der Mindestlohn gemeinsam? Richtig, man kann sie mit Öko-nometrie 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, passen-de Variablen festlegen, treffsichere Modelle entwerfen und Ihre Aussagen auf Herz und Nieren prüfen. Werden Sie sicher im Umgang mit Hypothesentests, Regressions-modellen, 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.

Inhalt

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:…