Nichtparametrische Regressionsmodelle und deren Schätzung

ISBN-13: 9783668307827 / Niemiecki / Miękka / 2016 / 32 str.

Laura Haake

Opis

Studienarbeit aus dem Jahr 2014 im Fachbereich VWL - Statistik und Methoden, Note: 1,3, Gottfried Wilhelm Leibniz Universitat Hannover (Institut fur Statistik), Veranstaltung: Zeitreihenokonometrie in Theorie und Praxis, Sprache: Deutsch, Abstract: Ein wichtiger Faktor in der Zeitreihenanalyse ist die Prognose von zukunftigen Daten. Zukunftige Entwicklungen spielen in der heutigen globalisierten, internationalisierten und stark vom Wettbewerb gepragten Welt eine groe Rolle, weil sie Wettbewerbsvorteile verschaffen. In der Okonometrie gibt es viele verschiedene Verfahren, um zukunftige Beobachtungen von Zeitreihen zu prognostizieren. Ein Bereich ist die nichtparametrische Regressionsschatzung, welche in dieser Arbeit vorgestellt wird. Sehr interessant ist auerdem der generelle Zusammenhang bzw. die Beziehung zwischen zwei Variablen (Hardle, 1990). Das klassische lineare Regressionsmodell wird gerne angewandt, weil es Zusammenhange zwischen den verschiedensten Begebenheiten erklaren kann. Um dieses Modell anwenden zu konnen, werden einige Annahmen getroffen. Ein Beispiel und gleichzeitig ein Problem sind die Fehlerterme εi, welche als normalverteilt angenommen werden (Greene, 1993). Stimmen alle Annahmen mit der Realitat uberein, sind die Ergebnisse dieses Modells sehr gut. Werden allerdings Annahmen verletzt, entsteht eine Verzerrung (ein sogenannter Bias), was zu falschen Ergebnissen fuhrt. Besonders in der Vorhersage von zukunftigen Daten ist das ein groes Problem Die Nichtparametrik mochte diesen Bias so klein wie moglich halten und trifft deshalb keine strukturellen Formannahmen. Nichtparametrische Modelle lassen sich daher gut fur eine Prognose nutzen und auerdem fur die Beziehung zwischen Variablen. Der wichtigste Parameter ist dabei die Bandweite h, von ihr hangt das Schatzergebnis enorm ab. Die Wahl dieses Parameters nimmt also einen wichtigen Part ein, welcher nicht vernachlassigt werden darf. Leid