Banner Viadrina

Analyse von Wirtschafts- und Umweltdaten

Analyse von Wirtschafts- und Umweltdaten (6093)


Kursbeschreibung

In dieser Veranstaltung steht die Analyse von wirtschafts- und umweltstatistischen Zeitreihen im Vordergrund. Neben der grundlegenden Untersuchung von Zusammenhängen zwischen Wirtschafts- und Umweltdaten werden wesentliche Methoden der Parameterschätzung unterschiedlicher Modelle und entsprechende Hypothesentests vorgestellt. Darüber hinaus werden Ansätze der Modellselektion und der Modellüberprüfung betrachtet.

Im Rahmen dieses Seminars ist eine schriftliche Arbeit anzufertigen, welche die selbständige Analyse von Daten umfasst. Diese Analyse ist mit Hilfe des Statistikprogramms R durchzuführen. Dessen relevante Funktionen für die rechnergestützte Datenanalyse werden in der Veranstaltung vermittelt. Entsprechende mathematisch-statistische Grundlagen werden behandelt, sind jedoch in der Seminararbeit hinsichtlich der gegebenen Aufgabenstellung noch einmal zusammenzutragen, auszuarbeiten und weiterzuentwickeln. Abschließend müssen die wichtigsten Ergebnisse der Arbeit in einem Vortrag präsentiert werden.

Themen in der nachfolgenden Gliederung sind Gegenstand der Veranstaltung, wobei je nach Bedarf eine Auswahl getroffen bzw. Schwerpunkte gesetzt werden.

Wichtige Ankündigung:

Aufgrund der aktuellen Situation hinsichtlich Corona konnten die Veranstaltungen nicht wir geplant stattfinden. Da dies eine Vorbereitung im Selbststudium erfordert, ist die Anmeldung zum Seminar noch bis zum 15.08.2020 möglich. Die finale Version der Seminararbeit muss bis zum 15.09.2020 eingereicht werden. Dazu gehört auch die Abgabe einer Powerpoint-Präsentation mit den wichtigsten Ergebnissen der Arbeit. Die notwendigen Unterlagen zur Vorbereitung stehen in Moodle zur Verfügung. Bei Interesse am Anfertigen einer Seminararbeit oder im Fall von Problemen bei der Registrierung in Moodle melden Sie sich bitte via E-Mail an garthoff@europa-uni.de. Sollten Sie weitere Fragen zum Seminar haben, können Sie sich auch über die genannte E-Mail-Adresse melden. Es werden außerdem Sprechstunden via BigBlueButton nach Vereinbarung angeboten.

Termine:

24.04.2020     Vorlesung 09 - 17 Uhr GD 203
05.06.2020     Vorlesung 09 - 17 Uhr GD 312
12.06.2020    (Reserve) 09 - 17 Uhr GD 312
03.07.2020     Vorträge 09 - 17 Uhr HG 217


Hinweis zur Vorbereitung

Es ist geplant, bereits in der ersten Veranstaltung nach einer kurzen Einführung mit dem Statistikprogramm "R" möglichst auf dem eigenen Notebook zu arbeiten. Daher empfiehlt sich vorab eine Installation beispielsweise der kostenfreien Version von "RStudio". Das Programm kann über die nachfolgenden Internetseiten heruntergeladen werden.

https://www.r-project.org/
https://rstudio.com/products/rstudio/download/

Des Weiteren werden die Pakete "lmtest" und "tseries" benötigt. Diese können nach dem Start des Programms mit den nachfolgenden Befehlszeilen installiert und aufgerufen werden. Dabei ist eine Verbindung mit dem Internet erforderlich.

install.packages("lmtest", dependencies = TRUE);
library("lmtest");
install.packages("tseries", dependencies = TRUE);
library("tseries");


Gliederung der Veranstaltung

1 Multiple lineare Regression

1.1 Tests auf linearen und monotonen Zusammenhang
1.2 Parameterschätzung
1.3 Signifikanztests der Regressionsanalyse
1.4 Modellselektion
1.5 Prognose und Prognoseintervalle
1.6 Modellüberprüfung

2 Grundlagen der Zeitreihenanalyse

2.1 Stochastische Prozesse und Zeitreihen
2.2 Stationarität
2.3 Parameterschätzung für Lage, Streuung und Korrelation

3 ARMA-Prozesse

3.1 Autoregressive und Moving-Average-Prozesse
3.2 Stationarität, Kausalität und Invertierbarkeit
3.3 Parameterschätzung bei bekannter oder unbekannter Modellordnung
3.4 Modellüberprüfung von ARMA-Modellen
3.5 Prognosemethoden stationärer Prozesse

4 Modelle mit stochastischer Volatilität

4.1 Autoregressive Prozesse bedingter Heteroskedastitzität
4.2 Parameterschätzung
4.3 Verallgemeinerte Modelle mit stochastischer Volatilität

5 Nichtstationäre Prozesse

5.1 Regressionsmodell mit Zeitreihenfehlern
5.2 Autoregressive Prozesse mit externen Regressoren
5.3 ARIMA- und SARIMA-Prozesse


Literaturverzeichnis

Bollerslev (1986): Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics 31 (3) pp 307-327.
Bosch und Jensen (1994): Großes Lehrbuch der Mathematik für Ökonomen. Oldenbourg. München.
Brockwell und Davis (2002): Introduction to Time Series and Forecasting. 2nd ed. Springer. New York.
Dickey und Fuller (1979): Distribution of the Estimators for Autoregressive Time Series with a Unit Root. Journal of the American Statistical Association 74 (366a) pp 427-431.
Durbin und Watson (1950): Testing for Serial Correlation in Least Squares Regression I. Biometrika 37 (3-4) pp 409-428.
Durbin und Watson (1951): Testing for Serial Correlation in Least Squares Regression II. Biometrika 38 (1-2) pp 159-178.
Durbin und Watson (1971): Testing for Serial Correlation in Least Squares Regression III. Biometrika 58 (1) pp 1-19.
Eckey, Kosfeld und Dreger (2004): Ökonometrie. 3. Auflage. Gabler. Wiesbaden.
Engle (1982): Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica 50 (4) pp 987-1007.
Fahrmeir, Künstler, Pigeot und Tutz (2003): Statistik. Springer. Berlin.
Franke, Härdle und Hafner (2002): Statistics of Financial Markets. Springer.
Greene (2012): Econometric Analysis. 7th ed. Pearson.
Hamilton (1994): Time Series Analysis. Princeton University Press. New Jersey.
Ruppert (2004): Statistics and Finance. Springer. New York.
Shapiro und Wilk (1965): An Analysis of Variance Test for Normality (Complete Samples). Biometrika (52). pp. 591-611.
Schlittgen und Streitberg (1997): Zeitreihenanalyse. 7. Auflage. Oldenbourg. München.
Schlittgen (2012): Angewandte Zeitreihenanalyse mit R. 2. Auflage. Oldenbourg. München.
Tsay (2002): Analysis of Financial Time Series. Wiley. New York.
Whittle (1951): Hypothesis Testing in Time Series Analysis. Almquist and Wicksell.
Wooldridge (2013): Introductory Econometrics. 5th ed. South-Western.