BW24.1 - Basismodul Empirische und Experimentelle Wirtschaftsforschung

Online-Lehre im WS 2020/21:
Um Sie und Ihre Kontakte während der SARS-CoV-2 Pandemie zu schützen, wird das Modul in diesem Semester online angeboten werden. Ich hoffe, dass wir damit einen Beitrag leisten können, Fallzahlen niedrig zu halten. Ich bitte Sie an dieser Stelle darum, auch außerhalb der Vorlesung das Gesundheitssystem zu entlasten und nicht notwendige Kontakte zu vermeiden. Es fällt uns allen schwer, gewohnte Abläufe im Studium und in der Freizeit aufzugeben. Ich hoffe, dass es uns gemeinsam gelingen wird, mit etwas Phantasie gute und sichere Alternativen zu finden, und die Gefahr für uns und für andere zu reduzieren. Bitte helfen Sie mit. Danke!

Lernen Sie auch während der SARS-CoV-2 Pandemie mit anderen zusammen. Koordinieren Sie sich mit anderen Studierenden. Bilden Sie eine virtuelle Lerngruppe. Schauen Sie sich die wöchentlichen Videos an und tauschen sich danach zu festen Zeiten kurz mit Ihrer virtuellen Lerngruppe aus. Welche Inhalte der Vorlesung finden Sie und die anderen Mitglieder Ihrer virtuellen Lerngruppe schwierig, was finden Sie offensichtlich? Vielleicht können Sie einem anderen Mitglied Ihrer virtuellen Lerngruppe ein kniffliges Konzept erklären, oder vielleicht kann Ihnen jemand etwas erklären. Gehen Sie auch Ihre wöchentlichen Hausaufgaben gemeinsam mit Ihrer virtuellen Lerngruppe an. Nutzen Sie auch das Diskussionsforum in Moodle, um mit den anderen Mitgliedern der Vorlesung (und mit mir) in Kontakt zu bleiben. Ich werde das Diskuskussionsforum in Moodle aufmerksam lesen — Sie können mich auf diesem Weg stets erreichen.

Vorlesung:
Sie werden jede Vorlesung als Video erhalten (klicken Sie einfach in der Gliederung auf das jeweilige Kapitel). Grundsätzlich steht es Ihnen frei, ob, wann und wie oft Sie die Videos anschauen wollen. Es wird Ihnen vermutlich helfen, wenn Sie trotzdem einen festen Zeitpunkt in der Woche für Vorlesung, Übung und wöchentliche Hausaufgaben reservieren. Die Folien aus dem Video können Sie außerdem im Handout nachlesen.
Übung:
Sie werden auch die Übungen als Video erhalten. Auch hier gilt: Es steht Ihnen frei, wann und wie oft Sie die Übungen anschauen. Reservieren Sie sich trotzdem besser jede Woche einen festen Zeitpunkt. Tauschen Sie sich auch zu einem festen Zeitpunkt mit den Mitgliedern Ihrer virtuellen Lerngruppe aus.
In der Übung werden die Aufgaben aus dem Handout behandelt.
Tutorien:
Ab der zweiten Semesterwoche. Im Tutorium werden die wöchentlichen Hausaufgaben behandelt:
Do., 18-20: Lina Kutzner
Fr., 14-16, Lina Kutzner
Die anderen Tutorien werden als Video angeboten.
Hausaufgaben:
Bearbeiten Sie jede Woche die Hausaufgaben und geben Sie die Lösungen in Moodle ab. Die Lösungen werden danach im Tutorium behandelt.
Diskussionsforum:
Frage zur Veranstaltung stellen Sie bitte im Diskussionsforum der Veranstaltung.
Leistungsnachweis:
Die Hausaufgaben während des Semesters tragen zu 1/3 zu Ihrer Bewertung bei.
Eine Online Klausur am Ende des Semesters trägt zu 2/3 zu Ihrer Bewertung bei. Die Aufgaben der Online Klausur werden ähnlich sein, wie die Hausaufgaben, die Sie im Semester bearbeitet haben.
Alte Klausuren (die Aufgaben der Online Klausur werden den Hausaufgaben ähnlich sein. Trotzdem können die alten Klausuren aus Präsenzexamen hilfreich zum Üben sein),

1. Termin: t.b.a..
2. Termin: t.b.a..
Hinweise für die Klausur.

Handout:
Alles, was auf Folien in der Vorlesung erscheint, finden Sie auch im Handout.
Download the Handout
Zusätzlich finden Sie im Handout einige Erläuterungen. Es kann sein, dass ich im Laufe des Semesters einige Kleinigkeiten im Handout verbessere. Drucken Sie sich also besser nur die Kapitel aus, die Sie gerade benötigen.
Gliederung:
Kapitel im HandoutVorlesung in KW...Übung/Tutorium in KW...
1 Einführung — Schätzen von Parametern45 46
2 Wünschenswerte Eigenschaften von Schätzern46 47
3 Maximum Likelihood und Momentenmethode47 48
4 Bayesianische Inferenz48 49
5 Frequentistische Inferenz49 50
6 Frequentistische Tests für Mittelwerte50 51
7 Konfidenzintervalle51 1
8 Nichtparametrische Tests1 2
9 Lineare Regression — Einführung2 3
10 Multiple Regression3 4
11 Kategoriale Variablen in der linearen Regression4 5
12 Nichtlineare Regressionsfunktionen5 6
Zusammenfassung, Wiederholung6 -
Empfohlene Literatur:
Einigen von Ihnen werden besser mit Vorlesung und Übung lernen können. Andere lernen besser aus Büchern. Machen Sie, was besser zu Ihnen passt. In der Vorlesung werden keine »Geheimnisse« verraten ― alles, was ich in der Vorlesung mache, finden Sie auch im Handout. Literaturhinweise finden Sie jeweils am Ende der einzelnen Kapitel.
  • Dolic, Dubravko, Statistik mit R, Oldenbourg, 2003.
  • Verzani, John, Using R for introductory statistics, Chapman & Hall, 2005. Online-Ressource als DFG Nationallizenz (über Login oder aus dem Uni Netz) (detaillierter als die Vorlesung mit zahlreichen Beispielen).
  • Vasishth, Shravan, The foundations of statistics: A simulation-based approach, 2008. Dieser Text dient vor allem zum zielstrebigen Auffrischen des für BW 24.1 relevanten Inhalts von BW 30.1, bzw. falls Sie BW24.1 vor BW30.1 belegen.
  • John K. Kruschke , Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan. Academic Press, 2nd Edition, 2014. (vor allem für den Bayesianischen Teil der Vorlesung.)
  • Schira, Josef, Statistische Methoden der VWL und BWL. Theorie und Praxis. Pearson, München, 2009. Kapitel 13-17. (Eher intuitiv und andwendungsnah.)
  • Hartung, J., Statistik, Oldenbourg, 2002. (Dies ist mehr ein Handbuch und weniger ein Lehrbuch, das heißt, es wird fast jedes denkbare Thema angeschnitten, und dann eher kurz und recht formal behandelt.)
  • Stock and Watson; Introduction to Econometrics; 2nd Edition; Pearson 2006.
    • alternativ: Stock and Watson; Introduction to Econometrics; Brief Edition; Pearson 2008
    (in diesen Büchern werden die letzten fünf Kapitel der Vorlesung recht ausführlich mit vielen Beispielen erklärt.)
  • von Auer; Ökonometrie; Springer 2007 (behandelt die letzten fünf Kapitel der Vorlesung sehr ausführlich, eher technisch).
  • Einen Zugang zur Softwareumgebung R finden Sie über die unten angegebene Dokumentation zu R.
Diskussionsforum:
Im Diskussionsforum der Veranstaltung haben Sie während der Vorlesungszeit und während der Vorbereitung zur Klausur die Möglichkeit Fragen zur Veranstaltung zu stellen, Anmerkungen zu machen, auf Fragen von anderen zu antworten, etc. Ich bemühe mich dann, Ihre Anregungen aufzugreifen und versuche, Ihre Fragen zu beantworten. Ich freue mich, wenn Sie das Diskussionsforum rege nutzen.
Hausaufgaben:
Die Hausaufgaben sollen Ihnen erlauben, den Stoff regelmäßig (wöchentlich) selbst nachzuarbeiten, und ebenfalls regelmäßig Feedback über Ihren Fortschritt zu erhalten. Erfahrungsgemäß trägt regelmässiges Bearbeiten von Hausaufgaben erheblich zum Lern- und Klausurerfolg bei. Die Hausaufgaben während des Semesters tragen zu 1/3 zur Leistungsbewertung bei.
FAQ:
Klausur:
Theorie und Praxis:
Für die praktischen Beispiele in der Vorlesung werden wir die Softwareumgebung R verwenden. Wir müssen uns dabei auf eine Umgebung festlegen. R ist eine sehr leistungsfähige statistische Softwareumgebung, die Sie uneingeschränkt auf Ihrem Rechner verwenden können.
  • Dokumentation zu R finden Sie nicht nur in der eingebauten Hilfefunktion sondern auch auf der R Homepage. Hilfreich sind vor allem
    • The R Guide von Jason Owen (recht einfach, versucht R vor allem an Beispielen aus der Statistik zu erklären — einige Anwendungen sind dabei recht nahe am Stoff der Vorlesung)
    • Simple R von John Verzani (versucht R vor allem an Beispielen aus der Statistik zu erklären — einige Anwendungen sind dabei recht nahe am Stoff der Vorlesung)
    • Einführung in R von Günther Sawitzki (recht kompakte Einführung. Der statistische Teil ist durchaus anspruchsvoll)
    • Econometrics in R von Grant V. Farnsworth (die Einführung in R auf den ersten Seiten ist sehr kompakt und pragmatisch. Die ökonometrischen Modelle danach gehen weit über den Inhalt der Vorlesung hinaus)
    • An Introduction to R von W. N. Venables und D. M. Smith (betrachtet R eher als Programmiersprache und geht weniger auf die statistische Anwendung ein)
    • The R language definition (erklärt ausschließlich R als Programmiersprache, behandelt keine statistische Anwendung)
  • Quellen zum Download finden Sie auf der Homepage des R-Projekts. Für die Standard Betriebssysteme finden Sie z.B. hier Installationsquellen.
    Installation unter Microsoft Windows:
    Laden Sie den Installer aus dem Internet. Starten Sie den Installer und beantworten Sie alle Fragen mit 'OK'. Fertig!
    Installation unter OpenSuSE:
    Wählen Sie die Installationsquellen per one-Click Install. Installieren Sie R-base und R-base-devel. Ab jetzt ist R im Update Management von OpenSuSE integriert und wird sich automatisch auf die neueste Version aktualisieren.
    Installation unter Ubuntu:
    Folgen Sie den Installationsanweisungen für Ubuntu
    Installation unter anderen Versionen von GNU-Linux:
    Auch hier gibt es Installationsanweisungen
    Installation unter MacOS X:
    Hier sind die Installationsanweisungen für MacOS X
  • Wir werden die folgenden zusätzlichen Pakete verwenden: car, Ecdat, MCMCpack, MASS (VR), UsingR, binom, relaimpo, lmtest, mvtnorm, lattice, plyr, clinfun, memisc, xtable. Falls z.B. das Kommando library(Ecdat) ohne Fehlermeldung ausgeführt werden kann, ist das Paket Ecdat bereits installiert. Falls es eine Fehlermeldung gibt (Error in library(Ecdat): There is no package called 'Ecdat'), muss das Paket zunächst installiert werden.
    Installation von Paketen unter Microsoft Windows:
    Starten Sie Rgui.exe und wählen Sie das Menü Packages. Dort können Sie Pakete aus dem Internet nachinstallieren (Install Packages). R fragt Sie zunächst nach einer Installationsquelle (wählen Sie hier z.B. Deutschland, Göttingen), danach können Sie aus einer Liste die Pakete installieren.

    Alternativ können Sie Pakete installieren, die Ihnen als zip-Archiv vorliegen. Dazu laden Sie zunächst das Paket von der Installationsquelle passend für Ihre Version von R herunter (dort hat es z.B. den Namen Ecdat_0.1-5.zip) und speichern Sie. Dann wählen Sie in R im Menü Packages das Untermenü Install packages from local zip-files, wählen Ihre Datei aus, und alles sollte sich von alleine installieren. Manchmal setzt ein Paket ein anderes voraus, das vorher installiert werden muss. Sie merken das daran, dass sich R über fehlende 'dependencies' beklagt. Installieren Sie in diesem Fall die erforderlichen Pakete zuerst und versuchen Sie es dann nochmal.

    Das Paket relaimpo installieren Sie möglichst vom zip-Archiv auf der Homepage der Autorin. Dies ist die non-US Version, die leistungsfähiger ist.

    Installation von Paketen unter GNU-Linux:
    Um z.B. Ecdat zu installieren, sagen Sie einfach install.packages("Ecdat",dependencies=TRUE). R fragt Sie dann nach einer Installationsquelle (wählen Sie hier z.B. Deutschland, Göttingen), alles andere passiert von selbst.

    Installieren Sie das Paket relaimpo möglichst vom tar.gz-Archiv auf der Homepage der Autorin. Dies ist die non-US Version, die leistungsfähiger ist.

  • In der Vorlesung verwende ich RStudio als Front-end.
Modul-Verantwortlicher:
Prof. Dr. Oliver Kirchkamp
Art des Moduls:
Pflichtmodul
Angebot:
Im Wintersemester
Semester nach Musterstudienplan:
3. Semester
Dauer des Moduls:
1 Semester
Zusammensetzung des Moduls:
VL und Ü
Leistungspunkte (ECTS credits):
6
Arbeitsaufwand:
Präsenz/Online: 60 h (2 SWS VL, 2 SWS Ü), Selbststudium (einschl. Prüfungsvorbereitung): 120 h
Inhalte:
Das Modul vermittelt grundlegende Methoden der empirischen Wirtschaftsforschung, insbesondere induktive statistische, ökonometrische und experimentelle Verfahren.
Lern- und Qualifikationsziele:
Studierende sollen verstehen, wie ökonomische Hypothesen entwickelt und getestet werden können. Sie sollen die Vor- und Nachteile unterschiedlicher Verfahren zum Test von Hypothesen beurteilen können und lernen, Methoden zum Test von Hypothesen zu erarbeiten.
Voraussetzung für die Zulassung zur Modulprüfung:
keine
Voraussetzung für die Vergabe von Leistungspunkten:
Hausaufgaben: 1/3, Klausur: 2/3.