empfohlenes VorwissenKenntnisse grundlegender ökonometrischer Methoden wie etwa in dem Modul "Einführung in die Ökonometrie" vermittelt sowie gute Kenntnisse der mathematischen Statistik. LehrinhalteAusgewählte Themen, bspw. - 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
- 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
- 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
- Statistical Modeling of Extremes:
- Models for maxima
- Peaks over threshold
- Extremes of dependent sequences
- Extremes of non-stationary sequences
- Multivariate extremes
Literaturangaben- 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.
didaktisches KonzeptDie Veranstaltung ist als Vorlesung konzipiert, die jedoch durch vielfältige, sachorientierte Diskussionen ihren Frontalcharakter weitestgehend verliert. Dazu R-Illustrationen, gemeinsames Programmieren der statistischen Konzepte, Übungsaufgaben. Hörerschaft- BWL-EaF-Ma-2015 > Wahlpflichtbereich > (1.-3. Fachsemester, Wahlpflicht) Modul "Fortgeschrittene Ökonometrie"
- ECMX-Ma-2019 > Wahlpflichtbereich > Bereich Econometric Methods > (1.-3. Fachsemester, Wahlpflicht) Modul "Fortgeschrittene Ökonometrie"
- GOEMIK-Ma-2016 > Wahlpflichtbereich > Bereich Volkswirtschaftslehre > (1.-3. Fachsemester, Wahlpflicht) Modul "Fortgeschrittene Ökonometrie"
- MuU-Ma-2013 > Wahlpflichtbereich I > Wahlpflichtbereich I A.: Methodologie und allgemeine Theorien zur Untersuchung von Märkten und Unternehmen > (1.-2. Fachsemester, Wahlpflicht) Modul "Fortgeschrittene Ökonometrie"
- VWL-Ma-2009-V2013 > Wahlpflichtbereich I > (1.-3. Fachsemester, Wahlpflicht) Modul "Fortgeschrittene Ökonometrie"
- WiInf-Ma-2010 > Wahlpflichtbereich > Wahlpflichtbereich II: Informatik, BWL, VWL > Wahlpflichtmodule der Volkswirtschaftslehre > (1.-3. Fachsemester, Wahlpflicht) Modul "Fortgeschrittene Ökonometrie"
|