BW24.1 - Basismodul Empirische und Experimentelle Wirtschaftsforschung

Online-Lehre:
Das Modul wird online angeboten.
  • Die Erfahrung der letzten Jahre zeigt, dass in diesem Fach online Lehre traditioneller Lehre überlegen ist. In einer traditionellen „Vorlesung“ hören Sie in einem großen Hörsaal dem Monolog eines Professors oder einer Professorin zu. Sie sind weit weg von der Tafel. Studierenden, denen der Vortrag zu schnell ist, hilft nur fleißiges Mitschreiben und die Hoffnung, dass die Aufzeichnungen vielleicht später einen Sinn ergeben. Studierenden, denen der Vortrag zu langsam ist, hilft nur Geduld. In dieser Situation sind Wortmeldungen, Interaktion und aktive Mitarbeit schwierig.

    Online-Videos erlauben Ihnen dagegen, die Vorlesung Ihrem inviduellen Lerntempo anzupassen. Sie können nach Bedarf zurück- oder vorspulen. Online-Aufgaben geben Ihnen Gelegenheit, Ihr neues Wissen auszuprobieren und geben Ihnen wöchentliches individuelles Feedback. Nachdem Sie sich im Video mit dem Material in Ruhe vertraut gemacht haben, fällt es Ihnen im Online-Diskussionsforum und im Meeting leichter, Fragen zu stellen und zu diskutieren.

    Im Ergebnis lernen Studierende in diesem Fach im Online Format mehr und besser als im Hörsaal. Die Klausur fällt in diesem Fach bei Online Lehre ebenfalls besser aus. Mit Präsenzunterricht fallen etwas 25% der Studierenden durch die Klausur. Mit Online Unterricht fallen weniger als 5% durch die Klausur.

  • Austausch und Interaktion mit Studierenden ist mir wichtig. Der traditionelle Monolog des Professors im Hörsaal, unterbrochen von einzelnen Zwischenfragen, ist jedoch keine interaktive Lehre. Interaktion findet erfolgreich online statt. In dieser Veranstaltung mit vielen und unterschiedlichen Studierenden und einem technischen Inhalt ist ein ganz oder teilweise digitales Format dem traditionellen Monolog klar überlegen.

Lernen Sie gemeinsam mit anderen Studierenden. Schauen Sie sich die wöchentlichen Videos an, nehmen Sie am wöchentlichen online Meeting teil, und tauschen sich zu festen Zeiten mit Ihrer Lerngruppe aus. Vielleicht können Sie einem anderen Mitglied Ihrer Lerngruppe ein kniffliges Konzept erklären, oder vielleicht kann Ihnen jemand etwas erklären. Besprechen Sie auch Ihre wöchentlichen Hausaufgaben gemeinsam mit Ihrer Lerngruppe. Sie haben im Detail unterschiedliche Fragen. Es hilft, wenn Sie sich gegenseitig Tipps geben können. Nutzen Sie das Diskussionsforum in Moodle für Ihre Fragen. Ich werde das Diskuskussionsforum in Moodle aufmerksam lesen und werde versuchen, Ihre Fragen zeitnah zu beantworten. Sie können mich auf diesem Weg stets erreichen.

Vorlesung:
Sie werden jede Vorlesung als Video erhalten. Grundsätzlich steht es Ihnen frei, ob, wann und wie oft Sie die Videos anschauen wollen. Videos werden wöchentlich erscheinen und bis zum Ende des Semesters verfügbar sein. Es wird Ihnen helfen, wenn Sie feste wöchentliche Zeitpunkte für Vorlesung, Übung und Hausaufgaben reservieren. Den Text der Folien aus dem Video können Sie im Handout nachlesen.
Übung:
Sie werden auch die Übungen als Video erhalten (Sie finden die Übungen jeweils nach den Vorlesungen im jeweiligen Kapitel). Auch hier gilt: Es steht Ihnen frei, wann und wie oft Sie die Übungen anschauen. Reservieren Sie sich trotzdem möglichst einen festen wöchentlichen Zeitpunkt. Tauschen Sie sich auch zu einem festen wöchentlichen Zeitpunkt mit den Mitgliedern Ihrer Lerngruppe aus.
In der Übung werden die Aufgaben aus dem Handout behandelt.
Online Meeting:
Donnerstags, 10:15. Zugangsdaten finden Sie in Moodle. Schauen Sie bitte zuerst die Videos, versuchen Sie die Hausaufgaben zu lösen, und gehen dann mit Ihren verbleibenden Fragen und Diskussionspunkten ins Online Meeting. Seien Sie bitte pünktlich und schalten Sie, wenn eben möglich, Ihre Kamera ein. Mit dem online Meeting soll kein weiterer Stoff eingeführt werden. Das Meeting soll Raum geben, um Ihre Fragen zu klären, die in Vorlesung und Übung aufgetaucht sind.
Tutorien:
Ab der zweiten Semesterwoche. Im Tutorium werden die wöchentlichen Hausaufgaben behandelt:
(Zugangsdaten in Moodle)
Hausaufgaben:
Bearbeiten Sie jede Woche die Hausaufgaben (in Moodle) und geben Sie die Lösungen in (in Moodle) ab. Die Lösungen werden danach im Tutorium behandelt.

In den wöchentlichen Hausaufgaben können Sie 1/3 der Punkte (140 Punkte) erreichen. Im online Examen am Fr., 17. 2. 2023, 14:30-15:30 können Sie 2/3 der Punkte (280 Punkte) erreichen. Die Summe der Punkte aus Hausaufgabe und Examen (bis zu 420 Punkte) bestimmt die Gesamtnote. Ich gehe also davon aus, dass im Sinne der Prüfungsordnung die studienbegleitenden Hausaufgaben und das Examen eine einzige Teilprüfung sind.

Diskussionsforum:
Ich freue mich über Ihre Fragen zur Veranstaltung im Diskussionsforum der Veranstaltung.
Leistungsnachweis:

  • In den wöchentlichen Hausaufgaben können Sie 1/3 der Punkte (140 Punkte) erreichen.
  • Im online Examen am Fr., 17. 2. 2023, 14:30-15:30 können Sie 2/3 der Punkte (280 Punkte) erreichen. Die Summe der Punkte aus Hausaufgabe und Examen (bis zu 420 Punkte) bestimmt Ihre Note.

    Die Aufgaben des Online Examens werden ähnlich sein wie die Hausaufgaben, die Sie im Semester bearbeitet haben.

    Sie können das Online Examen daheim schreiben. Wenn Sie lieber an der FSU Jena schreiben wollen und wenn Sie einen Raum benötigen, dann sagen Sie uns bitte rechtzeitig Bescheid.

  • Examen: Fr., 17. 2. 2023, 14:30-15:30. Online (Teilnehmer und Teilnehmerinnen werden mehrere Tage vor dem Examen in Moodle einen Link mit den Zugangsdaten für das online Examen erhalten).
  • 2. Termin: t.b.a.
  • Hinweise für das Examen.
  • Die Anmeldung zur Klausur erfolgt über Friedolin.
  • Alte Klausuren bis 2019 (Das Format der Klausuren ist inzwischen anders.)
Weiteres Material:
  • 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.
  • Einigen Formeln.
  • Weitere Aufgaben. Diese Aufgaben folgen dem gleichen Schema wie die Hausaufgaben, verwenden aber andere Zahlen, etc. Diese Aufgaben können Ihnen helfen, Ihre Routine für die Klausur zu verbessern.
  • Alte Klausuren (Präsenzformat) (die Aufgaben der Online Klausur werden den Hausaufgaben ähnlich sein. Trotzdem können die alten Klausuren aus Präsenzexamen hilfreich zum Üben sein)
Gliederung:
Kapitel im HandoutVorlesung in KW...Übung/Tutorium in KW...
1. Einführung — Schätzen von Parametern4243
2. Wünschenswerte Eigenschaften von Schätzern4344
3. Maximum Likelihood und Momentenmethode4445
4. Bayesianische Inferenz4546
5. Frequentistische Inferenz4647
6. Frequentistische Tests für Mittelwerte4748
7. Konfidenzintervalle4849
8. Nichtparametrische Tests4950
9. Lineare Regression — Einführung501
10. Multiple Regression12
11. Kategoriale Variablen in der linearen Regression23
12. Nichtlineare Regressionsfunktionen34
Wiederholung, Übungsaufgaben45
Wiederholung, Übungsaufgaben56
Wiederholung, Übungsaufgaben6-
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, 2009. 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:
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:
    Mit RStudio: Verwenden Sie den Reiter “Install”. Ohne Rstudio: 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:
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:
Wöchentliche Hausaufgaben: 1/3, Klausur: 2/3.