Introduction to Econometrics - Cheatsheet.pdf

Introduction to Econometrics - Cheatsheet
Introduction to Econometrics - Cheatsheet Definition und Bedeutung der Ökonometrie Definition: Ökonometrie ist die Anwendung statistischer Methoden zur Analyse ökonomischer Daten. Details: Verwendet zur Quantifizierung ökonomischer Theorien und Modelle Hilft bei der Bewertung kausaler Beziehungen Ziel: Vorhersage und Politikberatung Wichtige Werkzeuge: Regressionsanalyse, Zeitreihenanalyse und Pan...

© StudySmarter 2024, all rights reserved.

Introduction to Econometrics - Cheatsheet

Definition und Bedeutung der Ökonometrie

Definition:

Ökonometrie ist die Anwendung statistischer Methoden zur Analyse ökonomischer Daten.

Details:

  • Verwendet zur Quantifizierung ökonomischer Theorien und Modelle
  • Hilft bei der Bewertung kausaler Beziehungen
  • Ziel: Vorhersage und Politikberatung
  • Wichtige Werkzeuge: Regressionsanalyse, Zeitreihenanalyse und Paneldatenanalyse
  • Erfordert Kenntnisse in Statistik, Mathematik und Ökonomie
  • Zentrale Gleichung: Lineares Regressionsmodell: $y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \ldots + \beta_n x_n + \epsilon$

Einführung in das einfache lineare Regressionsmodell

Definition:

Analyse der Beziehung zwischen einer abhängigen und einer unabhängigen Variable.

Details:

  • Modell: \( y = \beta_0 + \beta_1 x + \epsilon \)
  • Schätzung mittels OLS: minimiert die Summe der quadrierten Residuen
  • OLS-Schätzer: \( \hat{\beta}_1 = \frac{ \sum (x_i - \bar{x})(y_i - \bar{y}) }{ \sum (x_i - \bar{x})^2 } \)
  • Interpretation: \( \beta_1 \) misst die durchschnittliche Änderung von \( y \) bei einer Einheit Änderung von \( x \)
  • Residuum: \( \hat{\epsilon}_i = y_i - \hat{y}_i \)
  • Bestimmtheitsmaß (R²): erklärt den Anteil der durch das Modell erklärten Varianz von \( y \)

Schätzung der Regressionsparameter

Definition:

Methode zur Bestimmung der Koeffizienten in einem Regressionsmodell, um die Beziehung zwischen abhängigen und unabhängigen Variablen zu quantifizieren.

Details:

  • Lineare Regression nutzt die Methode der kleinsten Quadrate (OLS), um Regressionsparameter zu schätzen.
  • Formel: \[ \beta = (X'X)^{-1} X'Y \]
  • \( X \) und \( Y \) sind Matrix der unabhängigen bzw. abhängigen Variablen.
  • Ergebnis: Minimierung der Summe der quadrierten Fehlerterme.
  • Fehlerterm: \( e_i = Y_i - \beta_0 - \beta_1 X_1 - ... - \beta_k X_k \)
  • Hauptannahmen: Linearität, Unabhängigkeit, Homoskedastizität, Normalverteilung der Fehlerterme.

Interpretation der Regressionskoeffizienten

Definition:

Positive oder negative Beziehung zwischen unabhängigen und abhängigen Variablen in einem Regressionsmodell.

Details:

  • Interpretation des Koeffizienten \beta_i: Änderung der abhängigen Variable bei einer Änderung der unabhängigen Variable um eine Einheit, ceteris paribus.
  • Schätzung der Regressionsgleichung: y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \beta_3 x_3 + \text{...} + \beta_k x_k + u
  • \beta_0 (\text{Achsenabschnitt}): Erwartungswert von y, wenn alle x gleich Null sind.
  • Einzelne Koeffizienten \beta_i quantifizieren den marginalen Effekt von x_i auf y.
  • Vorzeichen (\text{positiv/negativ}) zeigt Richtung der Beziehung.
  • Signifikanzprüfung: p-Wert und Konfidenzintervalle.
  • Multikollinearität, Heteroskedastizität und Autokorrelation beachten.

Teststatistiken und deren Verteilungen

Definition:

Verwendung von Teststatistiken zur Prüfung von Hypothesen in der Ökonometrie, basierend auf bestimmten Wahrscheinlichkeitsverteilungen.

Details:

  • Teststatistik: Kennzahl zur Überprüfung einer Nullhypothese
  • Verteilungen: Normalverteilung, t-Verteilung, F-Verteilung, Chi-Quadrat-Verteilung
  • t-Test: \( t = \frac{\bar{X} - \mu}{s / \sqrt{n}} \)
  • F-Test: \( F = \frac{S^2_1}{S^2_2} \)
  • Chi-Quadrat-Test: \( \chi^2 = \sum \frac{(O_i - E_i)^2}{E_i} \)
  • p-Wert: Wahrscheinlichkeit, dass das Testergebnis unter der Nullhypothese auftritt
  • Kritischer Wert: Grenzwert zur Zurückweisung der Nullhypothese

Stationarität und nicht-stationäre Prozesse

Definition:

Stationarität: statistische Eigenschaften eines Prozesses bleiben konstant über die Zeit; Nicht-stationäre Prozesse: Eigenschaften ändern sich über die Zeit

Details:

  • Stationäre Prozesse: Mittelwert, Varianz und Autokovarianz konstant
  • Mathematische Darstellung: \ Y_t = \mu + \varepsilon_t, mit \ \mu=E(Y_t), Var(Y_t)=\sigma^2 und Cov(Y_t,Y_{t-h})=\rho(h)\sigma^2 \forall t
  • Nicht-stationäre Prozesse: Eigenschaften wie Mittelwert und Varianz ändern sich über die Zeit
  • Typischer nicht-stationärer Prozess: Random Walk \ Y_t = Y_{t-1} + \varepsilon_t
  • Differenzierung oft notwendig, um Stationarität zu erreichen (z.B. bei ARIMA-Modellen)
  • Dicke/Saisonale Stationarität: Eigenschaften sind über bestimmte Intervalle konstant

Paneldatenanalyse

Definition:

Paneldatenanalyse untersucht Daten, die über mehrere Zeitperioden hinweg für dieselben Beobachtungseinheiten erfasst wurden.

Details:

  • Vereinigt Eigenschaften von Querschnitts- und Zeitreihendaten.
  • Hauptmodelle: Fixed Effects (FE) und Random Effects (RE).
  • FE-Modell: Kontrolliert für zeitinvariante Heterogenität.
  • RE-Modell: Geht von keiner Korrelation zwischen den individuellen Effekten und den erklärenden Variablen aus.
  • Häufig verwendete Testverfahren: Hausman-Test (entscheidet zwischen FE und RE).
  • Allgemeines Modell: \[ Y_{it} = \beta_0 + \beta_1X_{it} + u_i + u_t + u_{it} \]
  • \( Y_{it} \) = abhängige Variable, \( X_{it} \) = unabhängige Variable, \( u_i \) = individuelle Effekte, \( u_t \) = zeitliche Effekte, \( u_{it} \) = Fehlerterm.

Instrumentenvariablen und Schätzmethoden

Definition:

Instrumentenvariablen (IV) werden verwendet, um verzerrte Schätzungen bei endogenen Regressoren zu korrigieren.

Details:

  • Endogene Variablen: Korrelation zwischen Regressor und Fehlerterm.
  • Instrumentenvariable: Muss relevant (korreliert mit endogener Variablen) und exogen (nicht korreliert mit Fehlerterm) sein.
  • Zwei-Schritte-Schätzverfahren: 1. Regressiere endogene Variable auf Instrument, 2. Verwende vorhergesagte Werte in der Hauptregression.
  • Formeln: \( Z_i \) ist das Instrument, \( X_i \) die endogene Variable, \( Y_i \) das abhängige, und \( u_i \) der Fehlerterm.
  • 1. Schritt: \[ X_i = \beta_0 + \beta_1Z_i + v_i \]
  • 2. Schritt: \[ Y_i = \beta_0 + \beta_1\hat{X}_i + u_i \]
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden