Ökonometrie
Author(s)
Bibliographic Information
Ökonometrie
（Physica-Lehrbuch）
Physika-Verlag, c1990
4., überarbeitete Aufl
Available at / 1 libraries
-
No Libraries matched.
- Remove all filters.
Note
Bibliography: p. [375]-384
Includes indexes
Description and Table of Contents
Description
Das Lehrbuch fuhrt in die heute als klassisch anzusehenden Methoden der OEkonometrie ein. Aufbauend auf dem unabdingbaren Fundament der Regressionsanalyse, enthalt es eine Darstellung der linearen dynamischen Systeme sowie der interdependenten Mehrgleichungsmodelle nebst den zugehoerigen Schatz- und Testverfahren. Auch der Prognosegesichtspunkt findet Beachtung. Eine Einfuhrung in die Bayes-Theorie wird ebenfalls gegeben. Soweit sie fur die OEkonometrie von Bedeutung sind, wird in der 4. Auflage eine starkere Betonung auf die Modelle mit fehlerbehafteten Daten gelegt. Auf neuere Entwicklungen in der OEkonometrie wird hingewiesen, ebenso sind die Literaturangaben uberarbeitet. Dem praktisch arbeitenden OEkonometriker gibt das Buch das Werkzeug fur seine Arbeit in die Hand und nennt die theoretischen Voraussetzungen fur das Funktionieren dieses Werzeugs.
Table of Contents
0. Einleitung.- 0.1. Wesen und Aufgabe der OEkonometrie.- 0.2. Schatzprobleme.- 0.3. Erkenntnismoeglichkeit der OEkonometrie.- 0.4. Praktische OEkonometrie.- 0.5. Literatur.- I. Das klassische Regressionsmodell.- 1. Das einfache lineare Regressionsmodell.- 1.1. Das Modell.- 1.1.1. Stochastisch gestoerte Funktionen.- 1.1.2. Die exogene Variable.- 1.1.3. Die Stoervariable.- 1.1.4. Die Regressionsfunktion.- 1.1.5. Exogene und endogene Variable.- 1.1.6. Das vollstandige Modell.- 1.1.7. Bemerkungen zu den Modellannahmen.- 1.2. Die Methode der kleinsten Quadrate.- 1.2.1. Prinzip der kleinsten Quadrate (KQ).- 1.2.2. Normalgleichungen.- 1.2.3. Die Residuen.- 1.2.4. Korrelationskoeffizient und Bestimmtheitsmass.- 1.2.5. Die Umkehrregression.- 1.2.6. Nichtlineare Regression.- 1.3. Maximum-Likelihood-Methode.- 1.3.1. Das Maximum-Likelihood-Prinzip.- 1.3.2. ML-Schatzungen.- 1.4. Schatzfehler.- 1.4.1. Zufallsfehler.- 1.4.2. Ein Simulationsmodell.- 1.4.3. Schatzvariablen.- 1.4.4. Erwartungstreue der geschatzten Regressionsparameter.- 1.4.5. Standardfehler der Parameterschatzungen.- 1.4.6. Kovarianz der Parameterschatzungen.- 1.4.7. Normalverteilung.- 1.4.8. Konsistenz.- 1.4.9. Residualvarianz.- 1.4.10.* Konfidenzintervall fur ?.- 1.4.11. Konfidenzintervalle fur die Regressionsparameter.- 1.4.12. Prufung von Hypothesen uber die Parameter.- 1.4.13.* Konfidenzellipse.- 1.4.14.* Effizienz.- 1.4.15.* Gauss-Markoff-Theorem.- 1.5. Prognosen.- 1.5.1. Prognose und Test.- 1.5.2. Prognosefehler.- 1.5.3. Prognose- und Toleranzintervall.- 1.5.4.* Test auf Strukturbruch in den Regressionsparametern.- 1.5.5.* Test auf Strukturbruch in der Stoervarianz.- Aufgaben zu Kap. 1.- 2. Das multiple lineare Regressionsmodell.- 2.1. Das Modell.- 2.1.1. Darstellung ohne Matrizen.- 2.1.2. Matrizendarstellung.- 2.2. Die Methode der kleinsten Quadrate.- 2.2.1. Prinzip der kleinsten Quadrate.- 2.2.2. Normalgleichungen.- 2.2.3. Residualvarianz.- 2.3. Das absolute Glied.- 2.3.1. Normalgleichungen.- 2.3.2. Residualvarianz.- 2.3.3. Beispiel: 2 exogene Variablen.- 2.3.4. Homogene Regression.- 2.4. Allgemeine stochastische Eigenschaften der KQ-Schatzvariablen.- 2.4.1. Erwartungstreue der Regressionsparameterschatzungen.- 2.4.2. Kovarianzmatrix.- 2.4.3. Konfidenzintervalle.- 2.4.4. Beispiel: 2 exogene Variablen.- 2.4.5. Linearkombinationen von Regressionsparametern.- 2.4.6. Konsistenz der Regressionsparameterschatzungen.- 2.4.7.* Beste lineare Schatzung.- 2.4.8. Erwartungstreue der Residualvarianz.- 2.4.9.* Konsistenz der Residualvarianz.- 2.5. Stochastische Eigenschaften der KQ-Schatzvariablen unter der Normalverteilungshypothese.- 2.5.1. Normalverteilung der Parameterschatzungen.- 2.5.2. Maximum Likelihood.- 2.5.3.* ?2- und F-Verteilungen.- 2.5.4.* Konfidenzellipsoid und Signifikanztest.- 2.5.5.* Strukturbruche.- 2.5.6. (0,1)-Variablen.- 2.5.7. Prognose.- Aufgaben zu Kap. 2.- 3. Kollinearitat und Fehlspezifikation.- 3.1. Korrelationskoeffizienten.- 3.1.1. Multipler Korrelationskoeffizient.- 3.1.2.* Partielle Korrelationskoeffizienten.- 3.1.3.* Korrelations- und Regressionskoeffizienten.- 3.2. Kollinearitat.- 3.2.1. Exakte lineare Abhangigkeiten.- 3.2.2. Stochastische lineare Abhangigkeiten.- 3.2.3. Beispiel: 2 exogene Variablen.- 3.2.4. Versuche zur UEberwindung der Kollinearitat.- 3.2.5. Externe Information.- 3.3. Fehlspezifikation.- 3.3.1. Ausschluss exogener Variablen.- 3.3.2.* Stufenweise Regression.- 3.3.3.* Aggregationsfehler.- Aufgaben zu Kap. 3.- 4. Systeme von Regressionsgleichungen.- 4.1. Keine a-priori-Restriktionen.- 4.1.1. Das Modell.- 4.1.2. Methode der kleinsten Quadrate.- 4.1.3. Maximum-Likelihood-Prinzip.- 4.1.4. Effizienz.- 4.1.5. Linearkombinationen aus Gleichungen.- 4.1.6. Prognosen.- 4.2. A-priori-Restriktionen.- 4.2.1. Restriktionen in einer Gleichung.- 4.2.2.* Nachfragesysteme.- Aufgaben zu Kap. 4.- II. Erweiterungen des Regressionsmodells.- 5. Autokorrelation und Heteroskedastizitat.- 5.1. Die verallgemeinerte Methode der kleinsten Quadrate nach Aitken.- 5.1.1. Modellvoraussetzungen.- 5.1.2. Gewoehnliche Methode der kleinsten Quadrate.- 5.1.3. Verallgemeinerte Methode der kleinsten Quadrate.- 5.2. Autokorrelation.- 5.2.1. Das autoregressive Schema erster Ordnung.- 5.2.2. Verallgemeinerte KQ-Methode bei einfacher Autokorrelation.- 5.2.3. Variablentransformation bei einfacher Autokorrelation.- 5.2.4. Differenzen.- 5.2.5. Test auf Autokorrelation.- 5.2.6. Prognose bei Autokorrelation.- 5.3. Heteroskedastizitat.- 5.3.1. Schatzverfahren.- 5.3.2. Test auf Heteroskedastizitat.- Aufgaben zu Kap. 5.- 6. Verzoegerte Variablen.- 6.1. Dynamische Modelle.- 6.1.1. Beispiele.- 6.1.2. Zeitpfad autoregressiv bestimmter Variablen.- 6.1.3. Stochastische Differenzengleichungen, Stationaritat.- 6.1.4. Die Momentenmatrix.- 6.2. Schatzprobleme.- 6.2.1. Modellannahmen.- 6.2.2. KQ-Verzerrung bei kleinen Stichproben.- 6.2.3. Maximum Likelihood.- 6.2.4.* Asymptotische Eigenschaften.- 6.2.5. Autokorrelation.- Aufgaben zu Kap. 6.- 7. Fehler in den Variablen.- 7.1. Das Modell.- 7.1.1. Systematische Fehler.- 7.1.2. Zufallige Fehler.- 7.1.3. Interpretationen des Fehlermodells.- 7.2. Das Schatzproblem.- 7.2.1. Inkonsistente KQ-Schatzungen.- 7.2.2. Konsistente Schatzmethoden bei Kenntnis der Fehlervarianzen.- 7.2.3. Konsistente Schatzmethoden bei Kenntnis von Hilfsvariablen.- 7.2.4. Verfahren von Wald.- Aufgaben zu Kap. 7.- 8.* A-priori-Wahrscheinlichkeiten.- 8.1. A-priori-Restriktionen.- 8.1.1. Deterministische a-priori-Restriktionen.- 8.1.2. Stochastische a-priori-Restriktionen.- 8.2. Der Bayes-Schluss.- 8.2.1. Theorem von Bayes.- 8.2.2. Bayes-Schatzung einer linearen Regression.- 8.2.3. Bayes-Prognose.- Aufgaben zu Kap. 8.- III. Interdependente Systeme.- 9. Das vollstandige oekonometrische Modell.- 9.1. Grundlagen.- 9.1.1. Einfuhrende Bemerkungen.- 9.1.2. Exogene Variablen.- 9.1.3. Allgemeine Form eines interdependenten linearen Systems.- 9.1.4. Beispiele.- 9.1.5. Strukturgleichungen.- 9.1.6. A-priori-Restriktionen.- 9.1.7. Stochastische Modellannahmen.- 9.2. Struktur und reduzierte Form.- 9.2.1. Reduzierte Form.- 9.2.2. Kausalstruktur und Pfeilschema.- 9.2.3. Rekursive Systeme.- Aufgaben zu Kap. 9.- 10. Identifikation und Schatzproblem.- 10.1. Identifikation.- 10.1.1. Begriff.- 10.1.2. AEquivalenz und reduzierte Form.- 10.1.3. Beispiele.- 10.1.4. Kriterien.- 10.1.5.* Identifizierende Restriktionen fur ?.- 10.2. Methode der kleinsten Quadrate.- 10.2.1. Gewoehnliche KQ-Methode.- 10.2.2. Indirekte KQ-Methode.- 10.2.3. Beispiele.- 10.2.4. Normalgleichungen.- 10.2.5. Methode der Hilfsvariablen.- Aufgaben zu Kap. 10.- 11. Schatzmethoden fur interdependente Modelle.- 11.1. Schatzmethoden bei beschrankter Information.- 11.1.1. Zweistufige Methode der kleinsten Quadrate.- 11.1.2. Maximum Likelihood bei beschrankter Information (MLBI).- 11.1.3. Prinzip des minimalen Varianzquotienten.- 11.1.4.* k-Klasse und Doppel-k-Klasse.- 11.1.5.* MLBI als k-Klasse-Verfahren.- 11.2. Schatzmethoden bei voller Information.- 11.2.1. Maximum Likelihood.- 11.2.2.* Linearisierte ML-Methode.- 11.2.3.* Dreistufige Methode der kleinsten Quadrate.- 11.2.4.* Simultane KQ-Methode.- 11.3. Vergleich der Schatzmethoden.- 11.3.1.* Abweichungen vom Mittelwert und Bereinigung.- 11.3.2.* UEbereinstimmung im Falle genauer Identifizierbarkeit.- 11.3.3. Beschrankte und volle Information.- 11.3.4. Eigenschaften bei kleinen Stichproben.- Aufgaben zu Kap.11.- Anhang A: Matrizenkalkul.- A 1. Definitionen.- A 2. Transponieren einer Matrix.- A3. Matrixverknupfungen.- A4. Matrixalgebra.- A 5. Determinante.- A6. Matrixinversion.- A 7. Unterteilte Matrizen.- A B. Lineare Abhangigkeit.- A9. Rang.- A 10. Lineare Transformationen.- A 1 1. Eigenwerte.- A 12. Quadratische Formen.- A13. Spur.- A 14. Idempotente Matrix.- A15. Matrixdifferentiation.- Anhang B: Wahrscheinlichkeitsrechnung und Statistik.- B I. Zufallsvariablen.- B2. Momente.- B 3. Gemeinsame und bedingte Verteilung.- B4. Gemischte Momente.- B5. Empirische Momente.- B6. Bedingte Erwartungswerte.- B7. Normalverteilung.- B 10. Wahrscheinlichkeitslimes.- B11. Zentraler Grenzwertsatz.- B 12. Parameterschatzung.- B13. Maximum Likelihood.- Anhang C: Empirische Schatzbeispiele.- C 1. KQ-Schatzung der Konsumfunktion.- C2. Strukturbruch in der Konsumfunktion.- C3. Strukturbruch in der Investitionsfunktion I.- C4. Zweistufige KQ-Schatzung eines kleinen Modells.- Anhang D: Verteilte Verzoegerungen.- Verteilte Verzoegerungen.- Anhang E: Tabellen.- Verzeichnis der Abbildungen.- Autorenverzeichnis.
by "Nielsen BookData"
