• Keine Ergebnisse gefunden

(x i x)y i = 1 n. 2. Es seien X und Y Zufallsvariable mit E(X) = µ X, E(Y ) = µ Y. σ αx,βy = αβσ X,Y.

N/A
N/A
Protected

Academic year: 2022

Aktie "(x i x)y i = 1 n. 2. Es seien X und Y Zufallsvariable mit E(X) = µ X, E(Y ) = µ Y. σ αx,βy = αβσ X,Y."

Copied!
16
0
0

Wird geladen.... (Jetzt Volltext ansehen)

Volltext

(1)

Ubungsskriptum¨

I. Momente von Stichproben und Zufallsvariablen

Verwenden Sie f¨ur die L¨osung der folgenden Aufgaben das Handout ’Moments and Sample Moments’:

1. a) F¨ur die Stichprobenkovarianzsx,y von x1, . . . , xn undy1, . . . , yn gilt: 1

sx,y = 1 n

n

X

i=1

xi(yi−y) = 1 n

n

X

i=1

(xi−x)yi= 1 n

n

X

i=1

xiyi−x y.

b) F¨ur α >0 undβ >0 bezeichtetαx die Stichprobeαx1, . . . , αxn, und 1 βydie Stichprobeβy1, . . . , βyn. Damit istsαx,βy =αβsx,y.

F¨ur die Stichprobenkorrelation hingegen gilt, fallsα >0,β >0,sx,x>0, undsy,y>0, dass

rαx,βy =rx,y.

c) Wieso ist, fallssx,x>0 undsy,y >0,−1≤rx,y≤1? 1 2. Es seienX undY Zufallsvariable mitE(X) =µX,E(Y) =µY.

a) F¨ur die KovarianzσX,Y vonX undY gilt: 1

σX,Y =E(X(Y −µY)) =E((X−µX)Y) =E(XY)−µXµY.

b) F¨urα >0 undβ >0 ist 1

σαX,βY =αβσX,Y.

F¨ur die Korrelation hingegen gilt: istσX,X >0 undσY,Y >0, so ist, f¨ur α >0,β >0

ραX,βYX,Y.

c) Wieso ist−1≤ρX,Y ≤1, fallsσX,X >0 und σY,Y >0? 1

(2)

3. a) SindX1, . . . , Xn unkorreliert mitE(X1) =. . .=E(Xn) = 0, so ist 1

E

n

X

i=1

Xi

!2

=

n

X

i=1

E(Xi2).

b) Sind weitersαi, βi∈R(i= 1, . . . , n), so ist 1

Cov

n

X

i=1

αiXi,

n

X

i=1

βiXi

!

=

n

X

i=1

αiβiVar(Xi).

(3)

II. Lineare Ein- und Zweivariablen Modelle

In den folgenden 3 Beispielen sei das Modell yi = a+bxi+ui mit den Standardannahmen gegeben (siehe Handout ’Regression Model and Ass- umptions’).

4. a) Weshalb wirdPn

i=1(yi−a−bxi)2durch die LS-Sch¨atzer ˆaund ˆbmini- 2 miert?

b) Warum sind diese Sch¨atzer im gegebenen Modell unverzerrt? 2 5. Welche Beziehungen gelten zwischen ESS, TSS und RSS? Warum gelten 2

diese Beziehungen?

6. Gegeben seien die folgenden Daten

x: 5 6 7 8 9 10 11 12 13 40

y: 1 2 4 2 3 5 7 6 9 10

a) Berechnen Sie die LS-Sch¨atzer ˆaund ˆbf¨ur das Modellyi =a+bxi+ui. 1 b) Veranschaulichen Sie die Einpassung der Regressionsgeraden in den 1 Punktschwarm durch eine Zeichnung.

c) Ermitteln und interpretieren Sie die Stichprobenkorrelationrx,y. 1

Zur geometrischen Interpretation des LS-Sch¨atzers:

Betrachten Sie in den folgenden Beispielen das Modellyi=a+bxi+uif¨ur i= 1, . . . , n in Vektor-Schreibweise: f¨ur ~y = (y1, . . . , yn)0,~e= (1, . . . ,1)0,

~

x= (x1, . . . , xn)0, und~u= (u1, . . . , un)0 ist

~

y=a~e+b~x+~u.

Die mit Hilfe der LS-Sch¨atzer berechneten Werte ˆy1, . . . ,yˆn, sowie die Residuen ˆu1, . . . ,uˆn lassen sich entsprechend als Vektoren schreiben:~yˆ= (ˆy1, . . . ,yˆn)0, und~uˆ= (ˆu1, . . . ,uˆn)0=~y−~y.ˆ

(4)

7. Gegeben seien die Daten

x: 0 1 2 y: 0 1 1 zu dem Modellyi =a+bxi+ui (i= 1,2,3).

a) Fertigen Sie im R3 eine Zeichnung der Punkte ~e = (1,1,1)0, ~x = 1 (0,1,2)0,~y= (0,1,1)0, und des durch die LS-Sch¨atzer berechneten Punktes

y= (ˆy1,yˆ2,yˆ3)0 an.

b) Berechnen Sie die Winkel zwischen~xund~y−~y, sowie zwischenˆ ~eund 1

~ y−~y.ˆ

c) Zeigen Sie, wie die Beobachtungen aus Punkt b) mit den Normalglei- 2 chungen zusammenh¨angen.

8. Es sei{~v1, . . . , ~vk} ⊆Rn ein sogenanntesOrthonormalsystem, d.h.

h~vi, ~vji=

( 1 i=j, 0 sonst.

Sei weitersE:=h~v1, . . . , ~vkider von diesen Vektoren aufgespannte lineare Teilraum vonRn und~pein beliebiger Vektor imRn.

a) Finde jenen Vektorp~ˆ∈E, der minimalen Abstand zu~phat. 2

b) Zeigen Sie, dass 2

~

p−~pˆ⊥~v1, . . . , ~vk.

Das bedeutet zusammen mit a), dass man~porthogonal zerlegt hat in~pˆ∈E und~p−p~ˆ∈E, wobeiE definiert ist als die Menge jener Vektoren im Rn, die normal auf alle Vektoren ausE stehen, also

E ={~x∈Rn :h~x, ~vi= 0 f¨ur alle~v∈E}, undorthogonales Komplement zuEheißt.

c) Zeige, dass die obige orthogonale Zerlegung 2

~

p=p~ˆ+ (~p−~p)ˆ

im folgenden Sinne eindeutig ist: Sei~p=~q+~r,~q∈E,~r∈Eeine weitere orthogonale Zerlegung, dann gilt bereits, dass~q=~pˆund~r=p~−~p.ˆ

(5)

Hinweis: Berechnen Sie zun¨achst h~p, ~vi f¨ur ~v ∈ E, das eine Mal mit

~

p= ~pˆ+ (~p−~p) und das andere Mal mitˆ ~p=~q+~r. Beachte dann, dass h~v, ~vi= 0 stets~v= 0 impliziert.

9. Zu dem Modell ~y = a~e+b~x+~u mit ~e = (1, . . . ,1)0 seien die Daten

~

x= (x1, . . . , xn)0 und~y= (y1, . . . , yn)0 gegeben.

a) Zeigen Sie, dass der durch die LS-Sch¨atzer gegebene Punkt 1

y= (ˆy1, . . . ,yˆn)0 in der von ~xund~eaufgespannten Ebene liegt.

b) Zeigen Sie, dass~yˆ von allen Punkten dieser Ebene den k¨urzesten Ab- 2 stand zu~y hat. (Hinweis: Zeigen Sie, dass der Vektor~y−~yˆorthogonal ist zu~eund zu~x, und argumentieren Sie mit den Resultaten aus 8.)

10. Wie lassen sich, in Anbetracht von Aufgaben 8 und 9 Formeln wie ˆu = 2

1

n~e0~uˆ = 0, sx,ˆu = 0, sy,ˆˆu = 0, oder T SS = ESS +RSS geometrisch interpretieren?

Hinweis:Die FormelT SS=ESS+RSSfolgt aus dem Satz von Pytha- goras. Beachten Sie dabei, dass~uˆorthogonal auf~esteht.

In den folgenden Aufgaben sei das homogene (d.h. Intercept ist0) Modell yi =bxi+ui gegeben. Weiters gelte E(ui) = 0,E(u2i) =σ2,E(uiuj) = 0 und xi nicht zuf¨allig.

11. a) F¨ur welchen Wert ˜bistPn

i=1(yi−˜bxi)2 minimal? Wann ist dieses Mi- 1 nimum eindeutig?

b) Nehmen Sie an, das obige Minimum sei wohldefiniert. Zeigen Sie, 1 dass der Sch¨atzer ˜b im gegebenen Modell unverzerrt ist und bestimmen Sie dessen Varianz. Vergleichen Sie mit der Varianz des Sch¨atzers ˆb aus Beispiel 4 (siehe Handout ’Statistical Properties of OLS-Estimators’) c) Weiters sei y = n−1Pn

i=1yi, und f¨ur i = 1, . . . , n sei ˜yi = ˜bxi und 2

˜

ui=yi−y˜i. ¨Uberpr¨ufen Sie, ob in diesem Modell die Beziehung

n

X

i=1

(yi−y)2=

n

X

i=1

(˜yi−y)2+

n

X

i=1

˜ u2i

gilt.

Hinweis:Gehen Sie so vor wie in Bsp. 5 und verwenden Sie die first order moment condition (FOC) aus Punkt a).

(6)

12. a) Formulieren und 1 b) beweisen Sie das Gauß-Markov Theorem f¨ur den Kleinstquadratesch¨atzer 2

˜b des homogenen Modells. Weisen Sie darauf hin, an welchen Stellen Sie die Voraussetzungen des Satzes verwenden.

Hinweis:Ubertragen Sie die Schritte im Beweis f¨¨ ur das inhomogene Mo- dell.

13. Betrachten Sie im Modellyi=bxi+ui unter den Standardannahmen die Sch¨atzer ˇb=y/x(mitx6= 0), ˜b=xy/xx, sowie ˆb= (xy−x y)/(xx−x x).

(a) Sind diese Sch¨atzer linear? 1

(b) Sind diese Sch¨atzer unverzerrt? 1

(c) Welche Aussagen k¨onnen Sie ¨uber die Varianzen der Sch¨atzer ˇb, ˜bund 1 ˆb mit Hilfe des Gauß-Markov Theorems treffen (ohne die Varianzen tats¨achlich auszurechnen)?

(d) Berechnen Sie die Varianzen der Sch¨atzer ˇb, ˜bund ˆb. 1 (e) Welcher der Sch¨atzer ˇb, ˜b und ˆb ist der beste lineare unverzerrte 1

Sch¨atzer f¨urbim Modellyi =bxi+ui(unter den Standardannahmen und ohne Zusatzinformation)?

(f) Welcher der Sch¨atzer ˇb, ˜b und ˆb ist der beste lineare unverzerrte 1 Sch¨atzer f¨ur b im Modell yi =a+bxi+ui (unter den Standardan- nahmen und ohne Zusatzinformation)?

14. Sei ˜bwie in Aufgabe 11. Weiters seien die Daten

x: 1 2 3 4 5 6 7 8 9 10

y: 2.3 3.7 5.2 6.0 8.15 15.53 11.3 12.9 14.5 15.9 gegeben.

a) Berechnen Sie ˜b, ˜ui=yi−˜bxi, sowieP10

i=1i. 1

b) Berechnen Sie zu den Daten und unter der Annahme, dass yi = a+ 1 bxi+ui ist, die LS-Sch¨atzer ˆaund ˆb, sowie ˆui undP10

i=1i. c) Vergleichen Sie die Werte vonP10

i=1i undP10

i=1i. 1

Vergleichen Sie die Werte vonP10

i=12i undP10 i=12i.

(7)

III. Wiederholung lineare Algebra

15. Gegeben seien die Matrizen

A= 1 0 3

2 −1 1

! , B=

3 4 1

0 −1 5

1 2 −2

 undJ =

0 0 1 0 1 0 1 0 0

.

a) Berechnen SieJ A0,J B, 1

b)AJ undBJ. 1

Wie kann man in den Punkten a) und b) die Multiplikation mit J inter- pretieren?

c) Berechnen Sie auch AB und schreiben Sie jede Zeile (Spalte) dieser 1 Matrix als Linearkombination der Zeilen vonB (Spalten vonA).

16. a) Berechnen Sie (AB)0,B0A0, 1

b) (AC)0 undC0A0 f¨ur 1

A= 1 0 3

2 −1 1

! , B=

3 4 1

0 −1 5

1 2 −2

 undC=

 2

−1 4

.

17. Beschreiben Sie die Begriffe ‘positiv definit’, ‘nicht-negativ definit’, ‘nega- 1 tiv definit’, und ‘indefinit’. Teilen Sie dazu die Menge allern×nMatrizen in geeignete Klassen ein (Venn-Diagramm).

18. Gegeben sei die Matrix

A= 2 −1

−1 2

! .

a) Zeigen Sie sowohl mit Hilfe der Hauptminoren als auch mit Hilfe der 1 Eigenwerte, dass die MatrixApositiv definit ist.

b) Bestimmen Sie Eigenvektoren der L¨ange 1 zu den Eigenwerten der 1 MatrixA.

c) ¨Uberpr¨ufen Sie anhand dieses Beispiels die allgemeine Regel, dass die 1

(8)

zu verschiedenen Eigenwerten einer symmetrischen Matrix geh¨orende Ei- genvektoren stets paarweise orthogonal sind.

d) Zeigen Sie allgemein, dass zu verschiedenen Eigenwertenλ16=λ2 einer 2 symmetrischen Matrix A geh¨orende Eigenvektoren v1, v2 stets paarweise orthogonal sind.

Hinweis: Zeigen Sie zun¨achst unter Verwendung der Beziehunghv, wi= v0w, dass f¨ur eine symmetrische n×n–Matrix A die folgende Gleichung gilt:

hAv, wi=hv, Awi

19. Zeigen Sie, dass jedes Diagonalelement bii positiv ist, falls die Matrix B 2 positiv definit ist. (Hinweis: dr¨ucken Siebiiin der Formx0Bxf¨ur geeignetes xaus.)

20. Zeigen Sie, dass f¨ur zwei beliebige, geeignet dimensionierte MatrizenA, B gilt:

a) spur(A+B) = spur(A) + spur(B) 1

spur(λA) =λspur(A)

b) spur(AB) = spur(BA). 1

21. Zeigen Sie, dass es unm¨oglich ist, zwei MatrizenAundBzu finden, sodass 1 gilt:AB−BA=I.(Hinweis: Verwenden Sie 20.)

22. Es seien 1

A=

1 3 2 2 6 9 7 6 1

 undB=

0 1 0 1 2 3 0 0 1

.

Uberzeugen Sie sich, dass gilt: det(AB) = det(A) det(B).¨

Verwenden Sie in den n¨achsten 3 Aufgaben u.a. folgendes Resultat: Jede symmetrische n×nMatrix Ω besitzt npaarweise orthogonale Eigenvek- toren ~u1,· · · , ~un. Normiert man diese n Vektoren und fasst sie zu einer MatrixU = (~u1,· · · , ~un) zusammen, so gilt:

U0U =I,U0=U−1, und Ω =Udiag(λ1,· · · , λn)U0,

wobei~uiEigenvektor zum Eigenwertλiist und diag(λ1,· · · , λn) eine Dia- gonalmatrix mit Eintragungenλi in der Hauptdiagonale bezeichnet.

(9)

23. Zeigen Sie die folgenden Aussagen

a) Ist eine Matrix idempotent, so k¨onnen Ihre Eigenwerte nur die Werte 2 0 oder 1 annehmen.

Hinweis: Wegen der Einleitung gibt es zu jeder symmetrischen n×n- Matrix Ω eine invertierbare MatrixU, so dassU0ΩU eine Diagonalmatrix ist. Zeige zun¨achst folgende Aussage: ’Wenn Ω idempotent ist, dann auch U0ΩU.’

b) F¨ur jede symmetrische, idempotente MatrixAgilt spur(A) = rang(A). 2 Hinweis:F¨uhren Sie folgende Rechnung fort:

spur(A) = spur(InA) = spur(U U0·A) =. . .

Beachten Sie dann, dass die Spur und der Rang f¨ur Diagonalmatrizen

¨ubereinstimmen.

c) Bestimmen Sie unter Zuhilfenahme von b) den Rang der Matrix 2 M =I−X(X0X)−1X0

wobeiX einen×k–Matrix mit rang(X) =kist.

24. a) Zeigen Sie, dass zu jeder symmetrischen und nichtnegativ definiten 2 Matrix Ω eine MatrixR existiert, sodass gilt: Ω =RR0.

Hinweis:Wegen der Einleitung gilt Ω =UΛU0 (warum?). Versuchen Sie jetzt den rechten Ausdruck in ein Produkt der FormRR0 zu zerlegen.

b) Ist Ω symmetrisch und positiv definit, dann ist auchRpositiv definit. 2 IstR invertierbar?

Hinweis:Beachten Sie dass ausAinvertierbar undP positiv definit folgt, dass AP positiv definit ist. Man wende das auf den Faktor R aus der Zerlegung in a) an.

(10)

Aufgaben Teil II (25-40)

IV. Das allgemeine Modell in Matrixschreibweise

25. a) Formulieren Sie das Regressionsmodell yi=a+bxi+ui, (i= 1, . . . , n) 1 in Matrix-Schreibweisey=Xβ+u.

b) Bestimmen Sie die Formeln f¨ur die LS-Sch¨atzer f¨ur a und b aus der 2 Formel ˆβ= (X0X)−1X0y. Weshalb istX0X invertierbar?

c) Zeigen Sie insbesondere, dass sich die LS-Sch¨atzer allein durch die 1 Stichprobenmittel x und y, sowie durch die Stichprobenvarianzen und - kovarianzensx,x,sy,yundsx,yausdr¨ucken lassen. Die Vektorkomponenten βˆ1,βˆ2 stimmen also mit den Sch¨atzern ˆa,ˆb aus Aufgabe 4 ¨uberein.

26. Zeigen Sie, daß der LS-Sch¨atzer ˆβ f¨ur β im linearen Modelly =Xβ+u die

a) Bedingung 1. Ordnung, 1

b) Bedingung 2. Ordnung f¨ur ein Minimum von||y−Xβ|| erf¨ullt. 2 Leiten Sie dazu zun¨achst jeweils die Bedingung 1. bzw. 2. Ordnung her.

Zeigen Sie bei b), dassX0Xgenau dann positiv definit ist, wenn rang(X) = kgilt.

27. a) Pr¨ufen Sie folgende Eigenschaften des LS-Sch¨atzers ˆβ f¨urβ im linearen 1 Modelly=Xβ+u, wobeiβ∈Rk, undX einen×k-Matrix von vollem Spaltenrang sei.

X0uˆ = 0, ˆ

y0uˆ = 0,

βˆ = β+ (X0X)−1X0u.

Wo verwendet man, dassX Rangk hat?

b) Welche dieser Eigenschaften gelten auch im einfachen Modell yi = 1 a+bxi+ui?

(11)

28. Betrachten Sie das lineare Modelly=Xβ+u, wobeiβ∈Rk, undX eine n×k–Matrix von vollem Spaltenrang sei.

a) Zeigen Sie, dass sich der Residuenvektor ˆudarstellen l¨asst als ˆu=M u. 1 b) Zeigen Sie, dass die MatrixM folgende Eigenschaften hat: 1

M X = 0, M0 = M, M2 = M,

c) 1

rang(M) = spur(M) =n−k.

29. Bestimmen Sie Erwartungswert und Varianz-Kovarianz Matrix des LS- 1 Sch¨atzers ˆβim linearen Modelly=Xβ+uunter den Standardannahmen.

Erklren Sie, wo diese Annahmen verwendet werden.

30. Bestimmen Sie unter Verwendung von Aufgabe 29 den Erwartungswert 1 der Varianzsch¨atzers

ˆ

σ2= 1 (n−k)

n

X

t=1

ˆ u2t

im linearen Modelly=Xβ+uunter den Standardannahmen.

(12)

31. Zeigen Sie im Modell y=Xβ+udie Beziehung 2

n

X

t=1

(yt−y)¯ 2=

n

X

t=1

(ˆyt−y)ˆ2+

n

X

t=1

ˆ u2t

unter der Annahme, dassX den Spaltenvektor (1, ...,1)0 enth¨alt.

(13)

V. Normalverteilung und Lineare Transformationen

32. SeiZ∼N(0, I2) bivariat normalverteilt, und seiaein 1×2–Zeilenvektor, 1 a6= (0,0)0. Geben Sie die Verteilung von aZ an. Besitzt aZ eine Dichte?

Was erhlt man speziell f¨ura= (1,0)0.

33. Sei Z ∼ N(0, I2) bivariat normalverteilt, und sei A eine 2 ×2-Matrix mit vollem Rang. Geben Sie die Verteilung und (durch Einsetzen in die Formel) auch die Dichte vonAZ an, und zwar f¨ur

a) 1

A= 1 2

−1 1

! ,

b) 1

A= a1,1 a1,2 a2,1 a2,2

! .

34. Zeigen Sie, dass jede Varianz/Kovarianz Matrix symmetrisch und nicht- 2 negativ definit ist.

35. Sei Z eine auf Rn normalverteilte Zufallsvariable mit Erwartungswert 0 2 (der Null-Vektor) und Varianz-Kovarianz Matrix Σ; d.h. Z ∼ N(0,Σ).

Zeigen Sie: Ist Σ regul¨ar, so existiert eine regul¨aren×n-MatrixS, sodaß S−1Z ∼N(0, In). (Hinweis: Verwenden Sie Aufgabe 23.)

36. Es seiZ= (Z1, Z2) ein bivariat normalverteilter Zufallsvektor mit Erwar- 2 tungswert (µ1, µ2) und VC-MatrixP. Zeigen Sie, dass, sofernZ1 undZ2

unkorreliert sind, diese auch unabh¨angig sind.

(14)

37. Gegeben sei folgende reellwertige Funktion auf R2:

f(x, y) = ( 1

πexpx2 +y

2

2 fallsx >0,y >0 oderx <0,y <0

0 sonst

Zeigen Sie:

a) Die Funktionf(x, y) ist eine Dichte aufR2; d.h.f(x, y) ist nicht-negativ, 1 undR

−∞

R

−∞f(x, y)dxdy= 1. Verwenden Sie dazuR

−∞

1

es22 ds= 1.

b) IstW = (Wx, Wy) eine bivariate Zufallsvariable mit der Dichtef(x, y), 1 so sindWx undWy normalverteilt.

c) IstW = (Wx, Wy) eine bivariate Zufallsvariable mit der Dichtef(x, y), 2 so sindWx undWy unkorreliert aber nicht unabh¨angig.

(15)

VI. Statistische Hypothesen

38. Betrachten Sie das ModellY =Xβ+umitβ∈Rk und Stichprobengr¨osse n unter den Standardannahmen. Es sei ˆβ der LS-Sch¨atzer aus diesem Modell und es sei β der restringierte LS-Sch¨atzer unter der Restriktion Rβ=r. Dabei seiReine (q×k)–Matrix vom Rangq, undreinq–Vektor.

Entsprechend sei ˆu=Y −Xβˆ der Vektor der unrestringierten Residuen und RSS deren Quadratsumme, sowie u = Y −Xβ der Vektor der restringierten Residuen und RSS deren Quadratsumme. Zeigen Sie:

a)u= ˆu+X( ˆβ−β). 1

b)u0u= ˆu0uˆ+ ( ˆβ−β)X0X( ˆβ−β) 1 c) Die F-Statistik zum Testen der Hypothese H0 : Rβ = r l¨asst sich 2 schreiben als

F = RSS−RSS RSS ·n−k

q .

39. Die Einfuhr von Ceylontee in die USA wird durch folgende Gleichung 1 modelliert:

logQ=β01logPC2logPI3logPB4logY +u, wobei

• Qdie Importe von Ceylontee in die USA,

• PC den Preis von Ceylontee,

• PI den Preis von Indischem Tee,

• PB den Preis von Brasilianischem Kaffee, und

• Y das verf¨ugbare Einkommen

bezeichnen. Ausn= 22 Beobachtungen ergaben sich folgende OLS Sch¨atzer:

• Unter der Hypothese H0: β1 = −1, β2 = 0 ergeben sich die re- stringierten Sch¨atzer β0 =−0.738 (0.820), β3 = 0.199 (0.155), und β4 = 0.261 (0.165), wobei die Zahlen in Klammer die gesch¨atzten Standardabweichungen angeben. Die Residuenquadratsumme im re- stringierten Modell betr¨agt RSS= 0.6788.

(16)

• Unter der Alternativhypothese H1 ergeben sich die unrestringierten Sch¨atzer ˆβ0= 2.837 (2.000), ˆβ1=−1.481 (0.987), ˆβ2= 1.181 (0.690), βˆ3 = 0.186 (0.134), und ˆβ4 = 0.257 (0.370). Die Residuenquadrat- summe im unrestringierten Modell betr¨agt RSS = 0.4277.

Testen Sie die HypotheseH0gegenH1auf dem Signifikanzniveauα= 0.05 und diskutieren Sie die ’¨okonomischen Implikation’ des Ergebnisses.

40. In der Cobb-Douglas-Produktionsfunktion Y = γAαKβ ist von Inter- 2 esse, ob α+β > 1 ist (,,zunehmende Skalenertr¨age”). Nach einer lo- garithmischen Transformation gelangen wir zu einer linearen Funktion logY = logγ+αlogA+βlogK. Mit Hilfe von Querschnitts- oder Zeitrei- hendaten k¨onnen nun α und β gesch¨atzt werden und anschließend die Linearkombinationα+β. Erh¨alt man ˆα+ ˆβ >1, so ist das nicht unbe- dingt ein Indiz daf¨ur, dass wirklich α+β >1 ist. Vielmehr muß ˆα+ ˆβ signifikant gr¨oßer als Eins sein. Das aber kann nur gepr¨uft werden, wenn die Varianz von ˆα+ ˆβbekannt ist. Man berechne die Varianz von ˆα+ ˆβund entwickle daraus einen Test f¨ur die HypotheseH0 :α+β = 1, unter der Annahme, dass die Meßwerte logY mit i.i.d. N(0, σ2)-verteilten Fehlern behaftet sind.

Referenzen

ÄHNLICHE DOKUMENTE

Wir bitten die allgemeinen Hinweise zur Abgabe von Lösungen (siehe Homepage)

Der Adressat des Briefes, der Marquis de l’Hˆ opital, hat es in der Wissen- schaftsgeschichte durch einen wohl einmaligen Vorgang zu zweifelhaftem Ruhm ge- bracht.. Die von

Universit¨ at Konstanz Sebastian Gruler Fachbereich Mathematik und Statistik Christoph Hanselka.. Wintersemester 2011/2012

Betrachte Beispiel 3.12 von Folie 169, die Arithmetik der

(1) Man beachte, dass die partiellen Ableitungen im Gegensatz zu den gew¨ ohn- lichen Ableitungen nicht durch Striche (oder Punkte im Falle der zeitlichen Ableitung)

Wir werden in diesem Abschnitt einige wichtige Anwendungen der Taylorschen Formel behandeln: Das totale Differenzial als lineare N¨ aherung, die Fehlerrechnung, die Theorie der

Rentier Rudi versucht sie mit folgendem Vorschlag zu trösten: Man beginne mit einem gleichseitigen Drei- eck mit Seitenlänge a und setze auf die Mitte jeder Seite ein

[r]