Preliminary knowledge

Kenntnisse grundlegender ökonometrischer Methoden wie etwa in dem Modul "Einführung in die Ökonometrie" vermittelt sowie gute Kenntnisse der mathematischen Statistik.

Contents

Ausgewählte Themen, bspw.

1. Statistical Learning:
   • Linear regression and k-nearest neighbors
   • Classification
   • Resampling methods
   • Linear Model selection and regularization
   • Polynomial regression, splines and local regression
   • Tree-Based methods
   • Support vector machines
   • Unsupervised learning
2. Nonparametric Econometrics:
   • Univariate density estimation
   • Multivariate density estimation
   • Inference about the density
   • Nonparametric regression
   • Smoothing discrete variables
   • Regression with discrete covariates
   • Semiparametric methods
   • Instrumental variables
3. Bayesian Econometrics:
   • Bayesian inference
   • Classical simulation methods
   • Markov chains
   • Markov chain Monte-Carlo methods
   • Gibbs-Sampler, Metropolis-Hastings algorithm
   • Applications, such as linear regression, Lasso, (multivariate) time series, latent variable models
4. Statistical Modeling of Extremes:
   • Models for maxima
   • Peaks over threshold
   • Extremes of dependent sequences
   • Extremes of non-stationary sequences
   • Multivariate extremes

Literature

• Baltagi, B. H. (2011). Econometrics (5. Aufl.). Berlin [u.a.]: Springer.
• Bishop, C. M. (2006). Pattern recognition and machine learning. New York: Springer.
• Davidson, R.; MacKinnon, J. G. (1993). Estimation and inference in econometrics. New York [u.a.]: Oxford Univ. Press.
• Davidson, R.; MacKinnon, J. G. (2004). Econometric theory and methods. New York [u.a.]: Oxford Univ. Press.
• Greenberg, E. (2013). Introduction to Bayesian econometrics (2. Aufl.). Cambridge [u.a.]: Cambridge University Press.
• Hastie, T.; Tibshirani R.; Friedman, J. (2013). The elements of statistical learning : data mining, inference, and prediction (2. Aufl.). New York: Springer.
• Hayashi, F. (2000). Econometrics. Princeton [u.a.]: Princeton Univ. Press.
• Henderson, D. J.; Parmeter, C. F. (2015). Applied Nonparametric Econometrics. New York: Cambridge University Press
• James, G.; Witten, D.; Hastie, T.; Tibshirani, R. (2016). An introduction to statistical learning : with applications in R. New York [u.a.]: Springer.
• Li, Q.; Racine, J. S. (2006). Nonparametric Econometrics: Theory and Parctice. Princeton Univers. Press
• Verbeek, M. (2012). A guide to modern econometrics (4. Aufl.). Chichester, West Sussex: Wiley.
• Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data (2. Aufl.). Cambridge, Mass. [u.a.]: MIT Press.

Teaching concept

Die Veranstaltung ist als Vorlesung konzipiert, die jedoch durch vielfältige, sachorientierte Diskussionen ihren Frontalcharakter weitestgehend verliert. Dazu R-Illustrationen, gemeinsames Programmieren der statistischen Konzepte, Übungsaufgaben.

Participants

• BWL EaF Master 2015>Wahlpflichtbereich >Modul "Fortgeschrittene Ökonometrie"1st-3rd Semester, Elective
• ECMX Master 2019>Wahlpflichtbereich >Bereich Econometric Methods >Modul "Fortgeschrittene Ökonometrie"1st-3rd Semester, Elective
• GOEMIK Master 2016>Wahlpflichtbereich >Bereich Volkswirtschaftslehre >Modul "Fortgeschrittene Ökonometrie"1st-3rd Semester, Elective
• MuU Master 2013>Wahlpflichtbereich I >Wahlpflichtbereich I A.: Methodologie und allgemeine Theorien zur Untersuchung von Märkten und Unternehmen >Modul "Fortgeschrittene Ökonometrie"1st-2nd Semester, Elective
• VWL Master 2009-V2013>Wahlpflichtbereich I >Modul "Fortgeschrittene Ökonometrie"1st-3rd Semester, Elective
• WiInf Master 2010>Wahlpflichtbereich >Wahlpflichtbereich II: Informatik, BWL, VWL >Wahlpflichtmodule der Volkswirtschaftslehre >Modul "Fortgeschrittene Ökonometrie"1st-3rd Semester, Elective