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