Vorlesung + Übung: Ökonometrie - Details

Vorlesung + Übung: Ökonometrie - Details

Close message box
You are not logged into Stud.IP.

General information

Course name Vorlesung + Übung: Ökonometrie
Semester WS 2024/25
Current number of participants 58
Home institute Prof. Dr. Florian Diekert - Umweltökonomik
Courses type Vorlesung + Übung in category Teaching
Next date Thursday, 16.01.2025 10:00 - 11:30, Room: (CIP 2113)
Pre-requisites Elementare Wahrscheinlichkeitstheorie, insbesondere: Begriffe Wahrscheinlichkeit und Zufallsvariable, Verteilungsfunktionen, Erwartungswert und Varianz, Grundlagen des Hypothesentests. Lineare Regressionsmodelle.
Performance record Klausur
Hauptunterrichtssprache deutsch
Literaturhinweise Stock and Watson 2015, Introduction to Econometrics, 3rd edition (Für Studenten die das Buch aus der Vorlesung von Professor Robert Nuscheler bereits besitzen)

Stock, James H. und Mark Watson. 2020. Introduction to Econometrics, 4th Ed. Pearson: Boston. https://ebookcentral.proquest.com/lib/augsburg/detail.action?docID=5834470

Gertler, Paul J.; Martinez, Sebastian; Premand, Patrick; Rawlings, Laura B.; Vermeersch, Christel M. J.. 2016. Impact Evaluation in Practice, 2nd Ed. Inter-American Development Bank and World Bank:Washington, DC. https://hdl.handle.net/10986/25030

Cunngham, Scott. 2023: Caudal Inference: The Mixtape. https://mixtape.scunning.com/

R-Companion https://www.econometrics-with-r.org/
ECTS points 5

Rooms and times

(J1105)
Tuesday: 15:45 - 17:15, weekly (13x)
(CIP 2114)
Tuesday: 17:30 - 19:00, weekly (12x)
(CIP 2113)
Thursday: 10:00 - 11:30, weekly (13x)

Module assignments

Comment/Description

Nach der erfolgreichen Teilnahme an diesem Modul kennen die Studierenden die statistischen Grundlagen der Regressionsanalyse. Sie kennen die klassischen Annahmen an das lineare Regressionsmodell bei unabhängigen und identisch verteilten Beobachtungen und wissen, welche Eigenschaften der Kleinst-Quadrate und der Maximum Likelihood Schätzer unter diesen Voraussetzungen besitzen. Die Studierenden sind in der Lage, im Rahmen des linearen Regressionsmodells, statistische Hypothesentests zu formulieren, durchzuführen und richtig zu interpretieren. Sie verstehen die Probleme, welche auftreten können, sollten die klassischen Annahmen an den datenerzeugenden Prozess nicht erfüllt sein und kennen Ansätze zur Lösung. Sie kennen die Besonderheiten von Zeitreihendaten und verstehen die daran angepassten, notwendigen Voraussetzungen an den Modellrahmen.

Die Studierenden kennen den theoretischen Rahmen der Regressionsanalyse und können mithilfe der Statistiksoftware R eigenständig Regressionsanalysen durchführen. Sie können die Ergebnisse interpretieren und für ihre Fragestellung relevante Hypothesentests formulieren und durchführen. Sie sind in der Lage zu überprüfen, ob die Daten den jeweiligen Modellvoraussetzungen genügen.

Die Studierenden können empirische Studien nachvollziehen, deren Ergebnisse kritisch hinterfragen und anderen Personen erläutern. Sie können die erlernten Verfahren eigenständig auf praktische Fragestellungen anwenden und sind in der Lage, einfache empirische Studien eigenständig anzufertigen.