| Kurssprache | Turnus | Wochenstunden | ECTS | Prüfung |
|---|---|---|---|---|
| Deutsch | SoSe | 2V+2? | 6 | Zwischenklausur (30 Minuten) Klausur (90 Minuten) |
Inhalte
Die Analyse von Zeitreihendaten spielt eine zentrale Rolle in der empirischen Wirtschaftsforschung und noch allgemeiner in Data Science und steht deshalb im Mittelpunkt von Zeitreihen?konometrie. Zeitreihendaten k?nnen dabei eine unterschiedliche Dynamik aufweisen und von Trends, Saisonmustern, Strukturbrüchen oder langfristigen Gleichgewichtsbeziehungen gepr?gt sein.
Studierende lernen, die jeweiligen Eigenschaften von Zeitreihendaten zu erkennen und entsprechend geeignete ?konometrische Zeitreihenmodelle auszuw?hlen und anzuwenden. Sie erlernen die hierfür relevanten Grundlagen statistischer und ?konometrischer Theorie und ihre praktische Anwendung auf Basis der frei verfügbaren Software R.
Im Kurs Zeitreihen?konometrie geht es um die Analyse von Zeitreihendaten. Dazu geh?rt das Studium der Eigenschaften m?glicher datengenerierender Zeitreihenprozesse. Von zentraler Bedeutung ist hier die Theorie der autoregressiven Prozesse (man stelle sich diese als eine stochastische Variante von deterministischen Differenzengleichungen vor). Die Analyse von Zeitreihendaten erfordert eine Reihe von zus?tzlichen Kenntnissen, da z.B. die Sch?tzeigenschaften des Kleinst-Quadrate-Sch?tzers (OLS) von den Exogenit?tseigenschaften der Regressoren bzw. von den dynamischen Stabilit?tseigenschaften des autoregressiven Prozesses abh?ngen, der die beobachteten Daten generiert haben k?nnte. Wesentlich ist auch, ob ein Trend oder Saisonmuster vorliegt. Eng verbunden hiermit ist die Fragestellung, ob ein beobachteter Zeittrend deterministischer Natur ist oder eine Auspr?gung eines Random Walks ist. Zur Beantwortung dieser Frage sind sogenannte Einheitswurzeltests notwendig. Pr?gen Zeittrends mehrere Zeitreihen gemeinsam, so k?nnen langfristige Gleichgewichtsbeziehungen zwischen den Variablen vorliegen, zu deren Modellierung Kointegrationsmodelle verwendet werden. 百利宫_百利宫娱乐平台￥官网e Modelle spielen insbesondere in der empirischen Makro?konomie eine herausragende Rolle und sind ein unverzichtbares Werkzeug für Prognosen.
Gliederung
- Zeitreihenmodelle mit streng exogenen Regressoren
- Trends und Saisonalit?t
- Autoregressive Zeitreihenmodelle
- Asymptotische Eigenschaften des OLS-Sch?tzers für autoregressive Modelle
- Nichtstation?re Zeitreihenprozesse, Random Walk-Prozesse
- Dynamische Regressionsmodelle mit unkorrelierten Fehlern
- Regressionsmodelle mit autokorrelierten und heteroskedastischen Fehlern
- Tests auf Autokorrelation in den Residuen
- Einheitswurzeltests: Tests zum ?berprüfen der Random Walk-Hypothese
- Fehlerkorrekturmodelle, Kointegration (Sch?tzung und Test)
- Prognose und Prognoseintervalle
Literatur
Wooldridge, J.M. (2009 - oder neuer). Introductory Econometrics. A Modern Approach, 4. Auflage, Thomson South-Western (Chapters 5, 7, 9, 10 - 12, 18).
