Einführung in die anwendungsorientierte Ökonometrie (WS 2020/21)

Hinweis

Der Kurs im Rahmen des Doktorandenstudiums richtet sich an Doktoranden, die in ihrem Bachelor- und Masterstudium wenig Ökonometrie- und Statistikvorlesungen besucht haben und deshalb eine grundlegende Einfuhrung ökonometrischer Methoden und ihrer Anwendungen in der BWL und VWL suchen.
Die Vorlesung führt in die Anwendung öokonometrischer Methoden ein, und stellt die Voraussetzungen fur ihre Anwendungen und typische Probleme in der Anwendung dar. Das Gewicht soll dabei eher auf der dahinter liegenden Intuition als auf algebraischen Details liegen.
Da es unmöglich ist in diesem Kurs alle Methoden zu diskutieren, die Sie für Ihre spätere Arbeit benöotigen werden, wird der Fokus des Kurses eher auf ein tieferes Verständnis grundlegender Konzepte und Methoden gelegt. Dadurch sollen Sie in die Lage versetzt werden sich auch selbständig in fortgeschrittenere Fachliteratur einzuarbeiten, damit Sie sich eventuell benötigte neuere Methoden auch selbst aneignen konnen. Neben der Vorlesung finden auch Übungen im CIP-Pool statt, wo die Anwendung der Statistik-Software STATA eingeübt wird.
Um den Kurs erfolgreich zu bestehen, müssen Übungsaufgaben bearbeitet werden und am Ende des Kurses ein 10-seitiges Paper zu einer empirischen Fragestellung angefertigt werden. Das Thema kann aus dem Bereich der eigenen Dissertation stammen.

Gliederung:

1. Grundlagen der deskriptiven Regressionsanalyse:
OLS Methode, lineare Approximation an bedingte Mittelwerte, Bestimmtheitsmaß, multiple Regression, ceteris-paribus Interpretation und Frisch-Waugh-Lovell Theorem, 'omitted variables' ; Dummy Variablen (mit Grundlagen des fixed-effects' und 'difference-in-difference' Modells), Logarithmische Transformationen, Polynome und Interaktionsmodelle.

2. Statistisches Intermezzo:
Wahrscheinlichkeit, Zufallsexperimente und Zufallsvariablen, Wahrscheinlichkeits-, Dichte- und Verteilungsfunktionen, Momente, Gemeinsame Wahrscheinlichkeitsfunktionen, bedingte Erwartungswerte und bedingte Varianzen, das Gesetz der iterierten Erwartungen.

3. Stochastische Regressionsanalyse:
Grundlagen und Notation, Regression als bedingte Erwartungswertfunktion, deterministische versus stochastische Regressoren, Spezifikation und Identifikation.

4. Eigenschaften von OLS-Schätzfunktionen und OLS Standardfehler:
Erwartungstreue, Effizienz, Konsistenz

5. Intervallschatzer und Hypothesentests:
Konfidenzintervalle, p-Werte nach R.A. Fisher, Hypothesentests nach Neyman-Pearson, Simultane Tests mehrerer linearer Hypothesen, Chow Test und Quandt-Andrews Test auf Strukturbrüche, Typ I und Typ II Fehler, Trennschärfe (Power), Vertrauenswürdigkeit publizierter Hypothesentests.

6. Das multiple Regressionsmodell in Matrixnotation und eine geometrische Interpretation des OLS Schätzers

7. OLS Probleme
(a) Multikollinearität
(b) Heteroskedastizität: Ursachen und Auswirkungen, Tests, Robuste Standardfehler, WLS & FGLS,
(c) Autokorrelation: Ursachen und Auswirkungen, Tests, AR(1) Prozesse, Stationarität, HAC-Standardfehler.
(d) Endogenität und Kausalität: Experimente und Randomisierung, Neyman-Rubin Kausalmodell, interne und externe Validität, Ursachen ökonometrischer Endogenität ('Omitted Variables', Simultane Kausalität, Messfehler in den erklärenden Variablen, unbeobachtete Heterogenität, Selektion), Instrumentvariablen, Tests auf Endogenität und überidentifizierende Restriktionen.

8. Paneldaten:
Fixed- & Random Effects, das 'difference-in-difference' Modell fur Paneldaten

9. Maximum Likelihood Schätzfunktionen:
Probit & Logit Modelle.

Dozenten

• Prof. Dr. Theresia Theurl (verantwortlich)