Moderne Okonometrie

Ökonometrie ist die Interaktion von ökonomischer Theorie, beobachteten Daten und statistischen Methoden. Sie wird sowohl in der Volkswirtschaftslehre, als auch in der Betriebswirtschaftslehre eingesetzt, um theoretische Modelle empirisch zu überprüfen und ökonomische Phänomene quantitativ zu analysieren. Das wichtigste Hilfsmittel der Ökonometrie ist die Regressionsanalyse. In der modernen Ökonometrie gewinnen zudem computergestützte Modelle an Bedeutung. Hierzu zählen beispielsweise die Monte-Carlo-Simulation, nicht-lineare Modelle, Volatilität, künstliche neuronale Netze oder Paneldatenmodelle. "Moderne Ökonometrie" hat sich international in einem umkämpften Lehrbuch-Markt durchgesetzt. Einzigartig an dem Buch vor Marno Verbeek ist die Vielzahl der vorgestellten modernen Methoden und die Breite des behandelten Stoffes. Er stellt die Anwendung der ökonometrischen Verfahren in den Vordergrund und verweist für mathematische Details auf zitierte Literatur. Damit werden die theoretischen Ausführungen, deren Resultate sauber dargestellt und intuitiv erklärt werden, auf das Nötigste beschränkt. Die Verfahren werden mit zahlreichen Beispielen illustriert.

Table of Contents:
Vorwort 9 KAPITEL 1 Einleitung 13 1.1 ÜberÖkonometrie 13 1.2 Der Aufbau dieses Buches 15 1.3 Abbildungen undÜbungen 17 KAPITEL 2 Eine Einführung in die lineare Regression 19 2.1 DieMethode der kleinstenQuadrate als algebraische Funktion 20 2.2 Das lineare Regressionsmodell 26 2.3 Eigenschaften desOLS-Schätzers bei kleinen Stichproben 28 2.4 Anpassungsgüte 34 2.5 Hypothesenüberprüfung 36 2.6 Asymptotische Eigenschaften derOLS-Schätzer 46 2.7 Beispiel:Das Preismodell für Kapitalgüter (CAPM) 52 2.8 Multikollinearität 58 2.9 Fehlende Daten, Ausreißer und einflussreiche Beobachtungen 62 2.10 Prognosen 67 KAPITEL 3 Interpretieren undVergleichen von Regressionsmodellen 73 3.1 Das lineareModell interpretieren 73 3.2 Das Regressorenset auswählen 77 3.3 Fehlspezifikation der funktionalen Form 85 3.4 Beispiel:Die Erklärung vonHauspreisen 88 3.5 Beispiel: Prognose von Aktienindexrenditen 92 3.6 Beispiel: Löhne erklären 98 KAPITEL 4 Heteroskedastizität und Autokorrelation 113 4.1 Auswirkungen auf denOLS-Schätzer 113 4.2 Einen Alternativschätzer ableiten 115 4.3 Heteroskedastizität 116 4.4 Überprüfen aufHeteroskedastizität 124 4.5 Beispiel:DieNachfrage nach Arbeitskräften erklären 126 4.6 Autokorrelation 131 4.7 Testen auf Autokorrelation erster Ordnung 136 4.8 Beispiel:DieNachfrage nach Eiscreme 139 4.9 Alternative Autokorrelationsmuster 142 4.10 Was ist zu tun,wenn Sie Autokorrelation feststellen? 144 4.11 Beispiel: Risikoprämien aufDevisenmärkten 147 KAPITEL 5 Endogene Regressoren, Instrumentalvariablen undGMM 159 5.1 Übersicht der Eigenschaften desOLS-Schätzers 159 5.2 Fälle, in denen derOLS-Schätzer nicht gespeichertwerden kann 163 5.3 Der Instrumentalvariablenschätzer 170 5.4 Beispiel:Die Bildungsrendite schätzen 177 5.5 Der generalisierte Instrumentalvariablenschätzer 182 5.6 Die generalisierteMomentenmethode 189 5.7 Beispiel: Intertemporale Asset-Pricing-Modelle schätzen 196 KAPITEL 6 Maximum-Likelihood-Schätzung und Spezifikationstests 203 6.1 Eine Einführung in dieMaximum-Likelihood-Methode 204 6.2 Spezifikationstests 213 6.3 Tests beim normalen linearen Regressionsmodell 220 6.4 Tests fürQuasi-Maximimum-Likelihood und Momentbedingungen 224 KAPITEL 7 Modelle mit beschränkt abhängigen Variablen 231 7.1 BinäreWahlmodelle 232 7.2 Multireaktionsmodelle 246 7.3 Zähldatenmodelle 257 7.4 Tobit-Modelle 265 7.5 Erweiterungen von Tobit-Modellen 275 7.6 Verzerrung durch Stichprobenselektion 284 7.7 Treatmenteffekte schätzen 288 7.8 Durationsmodelle 296 KAPITEL 8 Univariate Zeitreihenmodelle 307 8.1 Einführung 308 8.2 Allgemeine ARMA-Prozesse 313 8.3 Stationarität und Einheitswurzeln 319 8.4 Testen auf Einheitswurzeln 321 8.5 Beispiel: Langfristige Kaufkraftparität (Teil 1) 331 8.6 Schätzen von ARMA-Modellen 335 8.7 EinModell auswählen 338 8.8 Beispiel:Die Persistenz der Inflation 342 8.9 Vorhersagenmit ARMA-Modellen 347 8.10 Beispiel:Die Erwartungstheorie der Terminstruktur 353 8.11 Autoregressive bedingteHeteroskedastizität 358 8.12 Was istmitmultivariatenModellen? 367 KAPITEL 9 Multivariate Zeitreihenmodelle 373 9.1 DynamischeModellemit stationären Variablen 374 9.2 Modellemit nichtstationären Variablen 377 9.3 Beispiel: Langfristige Kaufkraftparität (Teil 2) 384 9.4 VektorautoregressiveModelle 386 9.5 Kointegration:Dermultivariate Fall 390 9.6 Beispiel:Geldnachfrage und Inflation 399 KAPITEL 10 Auf Paneldaten basierendeModelle 409 10.1 Einführung in die Paneldatenmodellierung 410 10.2 Das statische lineareModell 414 10.3 Beispiel: Löhne erklären 432 10.4 Dynamische lineareModelle 434 10.5 Beispiel:Die Kapitalstruktur erklären 444 10.6 Panelzeitreihen 450 10.7 Modellemit beschränkt abhängigen Variablen 458 10.8 Unvollständige Panels und Selektionsbias 466 10.9 Pseudopanels undwiederholteQuerschnitte 472 ANHANG A Vektoren und Matrizen 483 A.1 Terminologie 483 A.2 Matrixbehandlungen 484 A.3 Eigenschaften vonMatrizen und Vektoren 485 A.4 InverseMatrizen 486 A.5 IdempotenteMatrizen 487 A.6 Eigenwerte und Eigenvektoren 488 A.7 Differentiation 489 A.8 Einige Kleinste-Quadrate-Behandlungen 489 ANHANG B Statistische und Verteilungstheorie 491 B.1 Diskrete Zufallsvariablen 491 B.2 Kontinuierliche Zufallsvariablen 492 B.3 Erwartungen undMomente 493 B.4 Multivariate Verteilungen 494 B.5 Bedingte Verteilungen 496 B.6 DieNormalverteilung 497 B.7 Verwandte Verteilungen 500 Anmerkungen 503 Literaturverzeichnis 511 Stichwortverzeichnis 529