Ökonometrie II Prof. Dr. Bernd Wilfling Martina Zaharieva M.Sc. Sommersemester 2014 Übungsblatt 7 Aufgabe 1 Falls die Störgrößen im linearen Regressionsmodell alle B-Annahmen erfüllen, so erwartet man, dass die Werte der aufgetretenen Residuen zu etwa 34% im Intervall zwischen Null und σ̂ liegen, zu 14% zwischen σ̂ und 2σ̂ und zu weiteren 2% zwischen 2σ̂ und 3σ̂. σ̂ bezeichne hierbei den Standardfehler der Regression. (a) Berechnen Sie σ̂ für das numerische Beispiel aus Aufgabe 3 Übungsblatt 6 (Benutzen Sie die Daten aus der Datei LifeSavings Resid.csv). (b) Berechnen Sie die auf Basis der Normalverteilung erwartete und die tatsächlich realisierte Häufigkeitsverteilung der Residuen, nach der in σ̂ gemessen Entfernung von Null gruppiert. Tragen Sie Resultate in die unten stehende Tabelle ein. Intervall # aufgetr. Res., Oi # erwart. Res., Ei −3σ̂, −2σ̂ −2σ̂, −σ̂ −σ̂, 0 0, σ̂ σ̂, 2σ̂ 2σ̂, 3σ̂ P6 i=1 (c) Falls die Anzahl der aufgetretenen Residuen in den äußeren Gruppen kleiner als 5 ist, fassen Sie die Daten benachbarten Gruppen zusammen: Intervall # aufgetr. Residuen, Oi # erwart. Residuen, Ei (Oi − Ei )2 /Ei −3σ̂, −σ̂ −σ̂, 0 0, σ̂ σ̂, 3σ̂ P4 i=1 Wir formulieren die Nullhypothese, dass die Störterme ui der Normalverteilung folgen; H0 : ui ∼ N (0, σ 2 ). Falls H0 wahr ist, sollte die Differenz zwischen der realisierten und der erwartenen Häufigkeitsverteilung ’klein’ ausfallen, anderenfalls ’groß’. Deswegen heißt die Statistik X 2 = Σ(Oi − Ei )2 /Ei 1 Goodness-of-Fit-Measure, weil sie erklärt, wie gut eine hypothetische Verteilung (im unserem Fall die Normalverteilung) an die Daten angepasst werden kann. Unter H0 ist die X 2 -Statistik χ2 -verteilt mit T − K − 2 Freiheitsgraden. (d) Testen Sie zum Signifikanzniveau α = 5%, ob die Daten mit der Normalverteilungsannahme vereinbar sind. Aufgabe 2 Die monatlichen Verkaufpreise xt (in Euro) und Absatzmengen yt (in 1000 Stück) eines Filterherstellers wurden für den Zeitraum von Januar 2003 bis Dezember 2004 aufgezeichnet. (Betrachten Sie die Daten aus der Datei filter.csv) Um die Preisabsatzfunktion des Filterherstellers zu schätzen, wird folgendes Modell aufgestellt: yt = α + βxt + ut (a) Führen Sie eine KQ-Schätzung durch und geben Sie das 90%-Konfidenzintervall der geschätzten Koeffizienten an. (b) Stellen Sie die Residuenpaare (ût−1 , ût ) als eine Punktwolke grafisch dar. Lässt grafische Analyse positive, negative oder keine Autokorrelation in den Störgrößen vermuten? (c) Ermitteln Sie ρ̂ aus den Residuenpaaren (ût−1 , ût ). (d) Überprüfen Sie Ihre Vermutung aus (b) für die Autokorrelation der Störgrößen mit dem Durbin-Watson Test zum Signifikanzniveau α = 0.05. (e) Vergleichen Sie die in (d) verwendete Teststatistik für den Durbin-Watson Test mit der approximativen Formel d ≈ 2(1 − ρ̂). Wodurch ergibt sich der Unterschied? (f) Transformieren Sie das Modell so, dass die Autokorrelation in den Residuen bereinigt wird und geben Sie das transformierte Modell in Matrixnotation an. (g) Schätzen Sie das Modell nach dem Verfahren von Hildreth/Lu. (h) Schätzen Sie das Modell nach dem Verfahren von Cochrane/Orcrutt (mit zwei Iterationen). Geben Sie das 90%-Intervall der geschätzten Koeffizienten an. (i) Schätzen Sie die Varianz-Kovarianzmatrix nach Newey/West. 2